虽然关于静态模式识别的研究在近年来取得了很大的进步，但是动态模式的识别和分类问题在模式识别领域仍然是一个难题。对于动态模式来说，如何将一个时变的模式以一种时不变的方式表示出来是一个有待解决的问题。最近提出的确定学习理论为动态模式的辨识，表达和识别提供了一个确定的框架。通过确定学习，动态模式内在的系统动力学能够有效地辨识并存储在常量径向基函数神经网络中。基于系统动力学的相似性定义和将训练动态模式与测试动态模式之间的同步误差作为相似性度量，使用最近邻域法来构建对动态模式进行分类的识别系统，动态模式的识别问题可以转换为识别系统中的稳定性和收敛问题。根据动态模式分类中非线性系统定性分析的概念，本文对Lorenz系统，Chen系统中出现的各种周期，类周期及混沌模式进行了定性分析，并根据层状结构原理选取适当的模式作为训练模式，从而建立起对动态模式进行分类的模式库。仿真结果表明该识别系统对动态模式分类的有效性，并且由于Lorenz系统和Chen系统的普遍代表性，可以将该系统推广到更广泛的动态模式中。　　 经济系统中也呈现出无处不在的复杂动力学特征，如何用非线性动力学的方法对经济系统进行建模也吸引了越来越多人的研究兴趣。通过辨识在经济时间序列中的周期与混沌模式，以及在不同的动态阶段间相互切换的规则和不规则的状态，刻画经济周期的复杂动力学特征，是对经济行为准确预测的关键。本文基于Goodwin所提出的经济周期的范德波尔振荡模型，利用数值仿真的方法对非线性经济动力学进行了分析，验证了经济系统中的周期，混沌及从周期到混沌的过渡过程中的间歇性现象。利用确定学习理论，可以对各种复杂的经济动力学进行精确辨识并将其有效地存储在常量径向基函数神经网络内。通过选取适当的经济动态模式作为训练模式来构建经济系统中动态模式的识别系统，可以对经济系统中的动态模式进行识别和分类，从而对经济周期的预测提供可靠的依据。仿真分析结果表明了动态模式分类的方法在经济系统中的有效性。