石油行业作为我国国民经济的支柱型企业,在国内外市场竞争日趋激烈的今天,更多的表现为一个多学科、多专业融合的知识和技术密集型企业。在石油勘探开采过程中,许多问题如设备状态监测与诊断、油气水层综合评价、水驱开发阶段的注采平衡预测、三元复合驱开发指标预测、污水处理过程中的加药量控制等问题都可以看作是一类十分复杂的非线性时变问题,很难用确定性的机理模型进行准确地描述。然而,随着我国油田多年的勘探开发,积累了大量的多学科动静态数据,通过建模进行诊断预测分析就成为一种可行而有效的实用方法。针对现有的基于传统人工神经元网络的面向油田诊断预测的技术和方法在解决时变问题时的不适应性,本文在发展过程神经元网络理论的同时将其与系统辨识、时间序列预测以及优化控制理论相结合,开展基于过程神经元网络的面向油田数据应用的油田诊断和预测理论与技术研究,以期为我国油田能够安全、高效、可持续开采提供科学的决策支持,具有一定的理论和实用价值。首先,论文从网络的信息处理机制、拓扑连接方式、信息处理范围等角度出发,构建了三种具有较好适应性的过程神经元网络模型,即二维自组织过程神经元网络、云过程神经元网络和对角回归过程神经元网络,对每种网络的模型拓扑结构、信息传递方式、输入输出映射关系等进行了分析和研究。其中,云过程神经元网络和对角回归过程神经元网络按其输出的不同又可细分为输出为数值和输出为云模型的云过程神经元网络,以及输出为数值和输出为函数的对角回归过程神经元网络。其次,针对三种网络模型分别开发了各自适用的学习算法。对于二维自组织过程神经元网络,考虑到标记样本和未标记样本的有效利用问题,提出了一种基于半监督学习的网络结构可动态调节的自组织过程神经元网络学习算法。对于云过程神经元网络,详细推导了基于经典梯度下降算法的网络学习方法。同时,为解决网络输入输出子云数量的动态设置问题,将高效的猫群优化算法用于云过程神经元网络的训练中,该方法可以同时对网络学习参数和结构参数进行并行优化。针对对角回归过程神经元网络的学习问题,分别提出了基于数值积分结合梯度下降的学习算法和基于改进粒子群优化的网络结构自适应的学习算法。论文对三种网络模型及其学习算法的相关性能进行了分析和仿真验证。最后,论文将基于过程神经元网络的诊断预测方法用于解决油田勘探开发领域的典型工程应用问题。针对不同的应用问题,研究了实际数据筛选及预处理方法,通过选取合适的网络模型实现对不同应用的诊断识别、动态预测以及优化控制,取得了满意的结果。实际应用结果表明：论文提出的过程神经元网络在处理时变问题方面具有更好的辨识效果,为解决油田领域中的与时间或过程有关的诊断预测问题提供了一种新的手段和工具。