在复杂化工建模过程中，由于过程数据的时序性、高非线性以及高维数的特点，导致传统的静态神经网络建模无法满足一定的精度。为了解决该问题，提出一种基于自编码神经网络特征提取的回声状态网络模型（features extracted from auto-encoder based echo state network，FEAE-ESN）。传统回声状态网络(echo state network, ESN)方法中，储备池的节点数目很多，输出的维数很高，数据间存在共线性。为解决上述问题，待回声状态网络训练好之后，使用自编码神经网络对其储备池输出进行特征提取。通过自编码网络特征提取，一方面可以有效地降低储备池输出的维数，从而降低数据的复杂度；另一方面提取的特征去除了原有储备池输出的共线性，能够进一步提高广义逆的计算性能；最终提高回声状态网络的建模精度。所提方法FEAE-ESN用于田纳西-伊斯曼复杂过程建模，仿真结果验证了所提方法的有效性。