小波神经网络是结合小波变换理论与人工神经网络的思想而构造的一种新的神经网络模型，它结合了小波变换良好的时频局域化性质及神经网络的自学习功能，因而具有较强的逼近能力和容错能力。自从小波网络被提出以后，它在非线性函数或信号逼近、信号表示和分类、系统辨识和动态建模、非平稳时间序列预测与分析等许多领域中被较为广泛地应用。 对飞控系统的故障诊断是飞行过程中的容错控制和控制律重构的基础，及时准确的对飞控系统中出现的故障进行辨识、定位就成了飞行安全的重要保证。 本文选题于预研项目，主要研究了小波神经网络的构造、学习和优化以及小波神经网络在飞控系统中的应用。本文主要研究成果与创新点如下： 1、研究了小波神经网络的构造方法和算法。分别研究了基于小波框架的小波神经网络和基于多分辨分析的小波神经网络的构造算法，侧重对多小波网络的构造及算法进行了描述。设计了一种自适应多小波网络并给出其学习和训练算法。 2、提出了一种新的小波网络参数初始化的方法。在研究小波网络的训练学习过程中，对该过程中的基函数选择、隐层节点的确定以及网络参数初始化三个难点问题作了深入的研究，小波基函数的选择在遵循满足正交性、具有紧支集、对称性和平滑性等一般原则的基础上，根据实际问题的背景及分析信号的特征，通过经验或实验的方法确定小波基函数。选择了合适的小波基后可以根据小波函数的时频特性与待处理信号的时频空间区域的关系来初步确定网络隐层节点数。给出一个依据网络规模及学习样本来确定网络初始参数的方法。 3、研究了小波网络的两个优化方法，在退火遗传算法的基础上提出一个新的自适应退火策略，将自适应退火策略用于选择概率的计算以增强算法的收敛性，在交叉和变异概率的选取上也进行了自适应处理，以进一步改善算法的稳定性和收敛性，并将此自适应退火遗传算法应用于小波网络权值的优化；还研究了另一种全局优化方法——填充函数法，构造了一种新的易于计算的单参数