本文系统地研究了小波神经网络的构成，以小波分析为理论根据，以软测量建模为应用目标，构建了不同形式的小波神经网络：以连续小波变换为理论依据，采用连续小波函数作为神经网络的激励函数构建了连续参数小波网络，同时，鉴于小波网络现有的学习算法以梯度类算法为主，而这种算法虽然结构清晰、计算量小，但数学本质决定了其存在着收敛速度极慢等问题，所以将变尺度法引入参数学习中，提高了其收敛速度；针对软测量中模型的复杂性，在连续小波网络的基础上，提出了一种新的多小波网络；以多分辨分析定义中的完全渐近性条件为理论依据，采用正交尺度函数作为神经网络的激励函数构建了正交小波网络，并给出正交尺度小波网络参数学习的梯度下降算法，同时，针对正交网络在解决多维问题时网络规模过于庞大的缺陷，提出了一种新的多维正交小波网络。 对所建的几种小波网络在软测量中的应用展开研究。针对神经网络在软测量领域中取得的广泛应用成果，研究分别用连续参数小波网络、多小波网络、正交小波网络建立软测量模型的方法和步骤，并通过仿真，验证了各自的性能。 从对这些小波网络的研究和应用仿真中可以发现：用小波网络建立的软测量模型，能够将对象的非线性关系很好的描述出来，使建立的模型与实际系统更加接近；小波网络不仅具有神经网络的自适应、自学习和强容错性，而且充分利用了小波的时频域局部化性质。因此，小波网络在软测量领域具有独特的功能和广阔的应用前景。