小波神经网络结合了神经网络的自学习、自适应、鲁棒性、容错性和泛化推广能力以及小波变换的时频局部和变焦等特性,具有全局最优逼近和运算速度快等优点,避免了BP网络等传统的神经网络类型在这些方面的不足,已成功应用于系统辨识、模式识别和控制等领域。在实际应用中,小波神经网络尚存在对系统动态反映能力不足以及泛化能力难以保证等问题,制约了其在实际工程中的应用。为了提高小波神经网络的泛化能力,提出基于Akaike信息准则改进的余值选择算法。通过设定最优学习停止标准,在保证辨识精度的同时精简网络的规模,避免了神经网络在学习过程中出现的过拟和与欠拟合现象,提高了神经网络的泛化能力。作为小波神经网络的构造算法,余值选择算法通过正交选择方法高效地衡量了隐层节点对输出的贡献,有利于网络规模的自适应调整。仿真实验表明该算法提高了网络的泛化能力。为了更好地反映系统动态的变化,将系统历史信息引入网络输入层构造时滞小波神经网络模型,为弥补由此带来的输入变量膨胀的缺陷,利用基于相对贡献率的灵敏度分析方法确定与系统输出相关性强的变量作为输入,优化了输入层结构,解决了网络模型失配的问题,提高了网络对系统动态变化的反映能力。针对船舶海上运动非线性、大惯性和动态时变等特点,构建基于改进时滞小波神经网络的预测PID控制器。其中,利用小波神经网络进行船舶运动动态的在线辨识和预测,利用预测控制策略克服船舶运动的大惯性对控制效果的不利影响。基于该控制器进行了船舶航向跟踪控制的仿真实验,并与传统的PID控制器进行了对比研究,结果表明该控制系统具有较高的控制精度和较强的抗干扰能力。以上研究结果显示,改进的小波神经网络有针对性地提高了系统的动态反映能力和泛化能力,其运算快速性和非线性拟合能力适应船舶海上运动特点,在船舶运动控制领域有广阔的应用前景。