近年来,随着人工智能技术的快速发展,回声状态网络(Echo state network,ESN)在非线性时间序列处理和动态预测系统方面表现出了一定的优势,受到了国内外研究学者的广泛关注。作为一种改进的递归神经网络(Recurrent neural network,RNN),回声状态网络采用大规模稀疏连接的结构(动态储备池)作为隐含层,且只对输出连接权值进行调整,使整个训练阶段变得简单高效,克服了经典递归神经网络学习规则实现难度大,运行时间长等缺点,逐渐成为非线性时间序列预测任务的重要处理方法。其中,隐含层作为信息处理的重要环节,对ESN模型的计算能力起着关键性作用。然而,传统的ESN采用随机生成的储备池拓扑结构,其计算能力有限,难以满足一些高复杂度预测任务对于预测精度的要求。此外,在构建新的储备池计算模型时,要尽量平衡预测精度和计算复杂度两个指标。针对这两个问题,本文从储备池优化入手,包括拓扑结构和神经元模型两个方面,开展基于ESN非线性时间序列预测精度提升的相关工作。一方面,基于复杂网络理论,本文构建了无标度高聚类网络,验证了其小世界和无标度特性。然后将该结构引入ESN储备池计算,成功建立了无标度高聚类ESN计算模型。最后,采用非线性自回归滑动平均模型和金融序列预测任务检验了所提出模型的优势。实验结果表明:相较于传统的随机网络,多簇无标度结构因其具备小世界和无尺度特性有更好的计算能力。另一方面,基于环状结构和漏积分神经元(leaky integrator neuron),构建了低复杂度ESNs。为了和传统ESN进行性能比较,分别构建了随机ESN,环状ESN,随机漏积分ESN,环状漏积分ESN,混合环状漏积分ESN五种不同的ESN计算模型。采用MGS(Mackey-Glass)混沌时间序列预测任务,分别从预测性能、抗噪声能力和非线性逼近性能三个方面对网络性能进行评估。实验结果表明:简单的环状结构和随机结构性能相当;漏积分单元比传统的Sigmoid神经元具备更好的记忆性能;环状结构和漏积分神经元的结合显著地提高了ESN在MGS序列预测上的性能。