目前,计算智能是智能科学的重要方法之一,也是信息技术的前沿课题,以计算智能为核心内容的交叉学科,如机器学习、数据挖掘、智能控制等已成为当前的研究热点,近年来研究出的计算智能新技术和新方法已经广泛应用于多个学科领域,尤其是在信号处理、模式识别、非线性系统最优化、知识工程、计算机辅助医学诊断等方面取得了丰硕的成果。本文针对计算智能领域的神经网络融合算法、自适应信号处理等重点问题进行了专题研究,并将所提出的各种算法应用于计算机辅助医学诊断和生物医学信号分析。本文的研究工作主要有:(1)对膝关节摆动信号进行了波形分析,采用了全局和分段的波形因数、偏斜度、峰度、信息熵、转向计数和均方值方差这几种统计特性并进行了特征选择,此后利用径向基函数网络对膝关节摆动信号进行了有效的诊断。随后,结合了规整化和交叉确认方法提出了多层感知器的最优结构选择算法。(2)对属于非生成式集成的神经网络线性融合算法进行了深入研究,对绝大多数投票、简单平均和加权平均算法进行了归纳总结,提出了新的感知器平均、最小均方融合、归一化加权平均和自适应线性组合算法。在此基础上,通过乳腺癌诊断、酵母蛋白质亚细胞定位预测、乳房组织分类、函数逼近实验进行了神经网络集成系统的性能测试和比较分析。实验结果表明,基于本文提出的神经网络融合算法与之前研究者提出的简单平均、混合专家系统、加权平均等融合方法相比简洁易行,更充分地利用成分神经网络提供的信息,并且能够大幅提升神经网络集成系统的分类正确率和预测精确度。(3)设计出可自适应地消除心电信号中噪声干扰的智能控制系统。研究内容包括两部分,第一部分设计了合适的自适应滤波器对心电信号成分进行估计,通过心电信号各波段的分割和重建而达到噪声消除效果,第二部分根据参考噪声的不同时域和频域特性设计出合适的自适应噪声消除系统。实验结果表明,本文所提出的这两种智能控制系统较传统的自适应滤波系统,能更快速、更有效地消除基线漂移、电源工频干扰和高频随机噪声这几种典型的噪声干扰。