随着科学技术的不断进步,控制工程中的工业系统变得越来越庞杂。由复杂系统引起的不确定性也表现得越来越突出,经典的确定性描述方式不再适用。因此如何有效地表达不确定信息并对其建模是过程研究中的重要问题。粒概念的产生为不确定信息的描述打开了新的局面。由粒衍生出的方法,如模糊集、粗糙集、熵空间、区间分析等已被证明具有良好的应用效果,取得了广泛的研究。区间神经网络是解决不精确数据建模的有效方法,它利用区间表达不确定性,利用神经网络完成建模任务。本文研究两大类区间神经网络模型,通过数值实验验证模型的正确性,并在解决有界误差建模问题中取得了实际的应用。本文的具体研究工作如下。离散小波神经网络利用小波分析,能够有效指导网络结构和参数的设计,克服了BP神经网络在构造上的盲目性。单尺度径向小波基框架理论可以有效避免“维数灾”的出现。基于最小二乘法的权值学习算法使网络的收敛速度快,能够避免陷入局部最优。综合以上优势,本文在查阅大量文献后,在离散小波神经网络的研究基础上,深入研究两种区间多维离散小波神经网络的模型结构和学习算法。基于小波分析给出网络结构和参数的设计方法。辅以仿真实验,验证所提出的两种区间多维离散小波神经网络在结构和收敛速度上的优势。对于递归神经网络,本文选取一种典型的Elman神经网络。Elman网络是一种全局前馈,局部反馈型神经网络。利用自身具有的动态特性、短时记忆的特点,能够实现对高阶动态系统的建模。本文将修正的Elman网络与区间理论相结合,提出一种区间Elman神经网络的模型,用于解决具有不确定性的高阶动态区间系统建模。通过数值实验证实该网络是正确有效的。最后,针对本文所提出的两大类区间神经网络,分别将其应用于解决误差未知但有界问题的建模。对误差界已知的情形,利用区间描述有界性;对误差界未知的情形,引入罚因子改进学习算法,实现有效地预测输出区间。本文提出的两大类网络对该问题的解决思路一致。一方面,本文以区间多维离散小波网络为工具,对线性和非线性系统进行建模。另一方面,以一阶线性系统建模过程为例,说明区间Elman网络的动态特性和构造上的优势。结果表明本文所提出的方法是有效的,为有界误差问题的解决提供了一条新的途径。