实际工业生产过程复杂繁琐,神经网络由于其“黑箱“特性,不需要知道对象的机理过程,利用对象的输入输出数据即可对生产过程进行建模。近年来,随着国内外学者的研究衍生出了多种神经网络模型,而函数链接神经网络(functional link artificial neural networks, FLANN)则是其中的一种。由于工业生产数据受污染严重导致数据中存在大量噪声,维度较高,FLANN应用在实际工业数据建模中训练效果和泛化效果并不理想。针对以上问题研究一种改进的FLANN网络,以及数据降维方法优化网络的输入,将所提方法在标准数据集和实际工业中进行了实验验证,结果表明所提方法的有效性和实用性。主要内容如下：(1)传统的FLANN网络训练算法采用基于梯度下降的BP算法,在训练过程中容易陷入局部最优,本文提出了一种基于遗传算法的FLANN网络(GA-FLANN),在FLANN网络训练之前对初始权、阈值进行寻优并赋值而不是人为凭借经验来设定,最大程度的避免FLANN在训练过程中陷入局部最优。最后利用标准数据集进行实验,结果表明GA-FLANN网络具有更好的稳定性和实用性。(2)针对含有噪声且具有大量冗余项的工业数据,提出一种基于数据驱动的熵层次分析法对数据进行特征提取,去除数据中的污染项留下能够反映数据本质变量,降低GA-FLANN网络的输入。使用标准数据集对其进行实验,证明了该方法的有效性。(3)将本文提出的方法分别应用与乙烯生产过程和食品安全风险分析中,建立了乙烯工业生产预测模型和食品安全风险预测模型,并使用实际工业数据验证了所提方法的有效性；此外在食品安全风险预警模型的基础上构建了一套基于B/S架构的食品安全风险原型系统。