小波分析是在应用数学的基础上发展起来的一门学科。由于小波函数具有良好的时频局部特性分析能力,使小波分析在时域信号和图像特征的提取、表示与分析方面被广泛应用,是基础科学、信息科学重要的研究和应用领域。小波神经网络是以小波分析为理论基础,结合神经网络基于实例集合的自学习、自适应特性所构建的分析模型。该模型采用小波基函数来发现和突出信号的时频特征,优化神经网络的参数和误差空间,以小波基和输入向量的内积进行加权完成对输入层的特征提取,使网络具有较强的非线性拟合能力和较快的收敛速度,在信号分析和图像处理方面取得丰富成果。由于现代科技的快速发展和研究领域的不断扩大,小波神经网络的分析对象变得日益复杂。一维信号多为时变信号,主要表现为时变性、非线性和非平稳性、不确定性等特征;二维图像则具有一定的随机性和耦合性等特点,易受亮度、清晰度、角度等各方面的干扰,给问题的分析研究带来困难。基于小波神经网络对一维信号和二维图像都有较好的微观分析和特征表示能力,本文面向时变信号分类和人脸图像识别问题,提出了两类改进小波神经网络模型。主要创新点及研究工作包含以下两个方面:1.针对多通道时变信号分类问题,构建了一种稀疏自编码器深度小波过程神经网络(SAE-WPNN)。通过构建一种多输入/多输出的小波过程神经网络(WPNN),实现对时变信号的多尺度分解和对过程分布特征的初步提取;在WPNN隐层之后叠加一个SAE深度网络,对所提取的信号特征进行高层次的综合和表示,并基于softmax分类器实现对时变信号的分类。模型将基于小波基的多尺度特征分解与表示、PNN对时变信号的分类机制和学习能力、以及SAE深度网络对信号特征的高层次综合能力相结合,在机制上对复杂时变信号的分类问题具有良好的适应性。以中国心血管疾病医学数据库中基于12导联ECG信号的7种心血管疾病分类诊断进行实验,验证模型和算法的有效性。2.针对人脸图像识别问题,建立了一种基于小波多分辨分析的递归小波神经网络(RWNN)。该模型以小波多分辨分析为基础,将尺度函数和小波函数作为网络隐层激励函数,提取图像的低频轮廓特征和高频细节特征,实现对二维人脸图像由粗到细的多尺度分析,减少隐层表示的冗余。同时,结合递归神经网络的特征记忆能力和分类机制,可较为准确实现人脸图像特征的辨识和识别。以LFW人脸数据集图像识别进行实验,验证方法的可行性。