泛函网络是1998年由E.Castillo提出的一种神经网络的推广.与神经网络不同,它处理的是一般的泛函网络模型,它在各个神经元之间的连接没有权值;并且神经元函数不是固定的,而是可以学习的,是一个给定的函数族的组合.最近几十年来,作为探讨事物发展状况的预测工作已越来越引起人们的重视.预测的对象千千万万,预测方法种类繁多,不同的预测对象适用不同的方法,所以,对预测方法本身的研究就成为预测研究的主要内容之一.目前对线性问题的研究比较成熟,由于现实世界的复杂性,事物之间往往呈现非线性关系,传统方法在处理一些非线性预测问题时有一定的困难,很难达到预测精度,而泛函网络在处理非线性问题时有一定的优势.本文拟用泛函网络解决预测方法中的一些问题,尤其是一些非线性预测问题的模型和算法.本文首先介绍了泛函网络及预测技术的相关知识,概述了国内外的一些研究现状.提出了基于泛函网络的非线性回归预测模型和相应的学习算法,并分别就一元和多元非线性回归预测模型给出具体实例,通过算例表明该模型的预测结果优于其他回归预测模型。本文还给出了基于泛函网络的宏观经济预测模型和相应的学习算法,通过具体经济预测实例和与其他经济预测模型进行比较,说明该模型具有一定的优势和实用性.通过比较可以看出基于泛函网络的预测模型,具有较好的理论意义和应用价值.本文对泛函网络的预测模型和算法的研究,只是一个初步的尝试,希望能给预测工作者提供一种新的参考方法.