复杂信号处理理论和技术是目前计算机应用技术领域一个重要的研究方向。随着信号与信息处理研究领域的不断扩大,以及许多非线性系统存在影响因素的随机性和信息变换机制的复杂性,智能信号与信息处理技术已成为计算机应用领域研究的一个热点。过程神经元网络(Process Neural Networks,PNN)是针对实际问题中许多系统的输入是依赖于时间变化的一个过程,一些控制信号的输出即依赖于输入信号的空间聚合作用,又与输入信号的时间累积效应密切相关的问题提出的理论和模型。过程神经元的输入和连接权可以是时变函数,并在传统神经元空间聚合运算的基础上,增加了一个对于时间的聚合算子,使过程神经元的聚合运算和激励作用能同时反映时变输入信号的空间总和效应和时间累积效应,可实现非线性动态系统输入/输出之间的复杂映射关系,在实际中对于求解输入/输出均与过程有关的众多问题有着广泛的适应性。论文主要针对非线性时变信号处理中建模问题,在过程神经元网络基本模型和概念的基础上,结合具体应用,研究适合于时变信号处理的过程神经元网络模型、学习算法以及将过程神经元网络应用于时变系统信号处理问题的实现技术。介绍了目前常用的智能信息处理方法、过程神经元概念和过程神经元网络基本模型,研究和构建了有理式过程神经网络模型、输入输出均为时变函数过程神经网络模型,并对其性质进行了分析。在网络学习算法研究中,主要针对过程神经元网络的输入和连接权都是时变函数,过程神经元同时包括对于输入信号的空间和时间聚合运算的具体情况,提出了基于梯度下降的学习算法和基于函数正交基展开的学习算法。算法对于连续时间输入的过程神经网络训练问题都具有较好的效果。在基于过程神经网络的信号预处理方法研究中,提出了连续沃尔什变换方法和傅立叶变换方法,研究了过程神经网络在信号处理中信号的消噪和模式识别及信号预测问题,提出了相应的网络模型和处理方法。以油田开发采油过程动态模拟中的应用为例,验证了基于PNN时变系统信号处理方法的有效性。