为了提高运行的核动力反应堆的安全性，需要利用反应堆噪声数据时刻监测其动态特性。实际运行的反应堆是高阶的非线性系统，瑞典和日本的沸水堆的运行经验表明反应堆中存在非线性现象。在反应堆噪声分析中普遍采用的功率谱方法，或者对噪声数据拟合参数化的自回归模型或自回归滑动平均模型的方法，都是针对线性系统的研究方法。现有的非线性研究方法如Lyapunov指数方法和分数维方法，因其非参数化的特点所以无法用于识别反应堆的非线性动态，并因其难以区分确定性的非线性行为与随机性的噪声而存在应用上的困难。目前所应用的非线性参数化建模的方法则因先验假定了模型类，所以限制了它们无法用于对未知系统的动态辨识。 论文首次提出从堆噪声数据辨识非线性动态的非线性自回归线性滑动平均(NARLMA)模型及其建模的系统方法。模型的建立利用人工神经网络的非线性逼近能力而无需先验假定非线性模型类。模型结构包含NAR的隐元与线性的MA，形成ARMA的线性核心，便于系统分析。MA的线性化处理避免了讨论统计特性时的困难。系统方法通过自动搜索和统计准则定阶的方式，寻找适合的阶数和神经元数目而无需先验假定模型阶数。 论文首次提出基于NARLMA模型的高阶非线性系统的定性分析方法。提出对于NARLMA模型的神经网络结构进行多项式展开以实现系统的逐次分析，给出多项式截断准则，判定多项式近似的误差。论文给出对于系统平衡点处的动态特性进行分析的线性核心分析方法。对于平衡点外，提出对于状态方程进行非线性近似正交分解的策略，实现系统高次部分的分析。对于近似正交分解后的二次系统，得出描述极限环及其存在的数学公式。 论文提出的非线性建模与分析的方法，成功地用于反应堆噪声数据的非线性辨识。对Yankee-BWR的噪声数据，辨识出系统平衡点处的自然频率、阻尼比和时间常数等动态特性；并通过对状态方程的分析，得出其二次系统中的极限环的数学表示。对Phenix快堆噪声数据的辨识，得出用三次系统就能确定其稳定性条件。将建模方法推广到其它领域时，得出太阳黑子数据中的极限环特征，而其频谱特征与原序列的频谱特征一致。