动态预测是实际工程领域和科学研究中普遍存在的问题。在应用中,很多系统都可以看作是一类复杂的非线性时变问题,一些问题由于缺乏先验理论和知识,以及内部变换和环境因素相互作用的复杂性,很难用确定的机理模型进行精确描述和分析。例如,飞行器发动机性能衰退预测预报、化工生产PID控制、油田开发产能预报预测等。在实际应用中,需要建模和预测的多为非线性动态系统,而利用传统的神经网络只能预先确定系统的静态模型。基于此,动态网络建模和预测的研究,是近年来神经网络建模和预测的新发展方向。在发展过程神经网络理论方面,本文从连接方式和逼近特性角度出发,研究了具有较好适应性的过程神经网络模型——非层次化过程神经网络,构建了3种不同时域聚合机制的输入输出均为时变函数的过程神经元网络,其时空聚合运算和激励可同时反映时变输入信号的空间聚合作用和输入过程中的阶段时间累积效应。这三种网络分别是:时变输入输出过程神经元网络,延时过程神经元网络,阶段时变输入过程神经元网络。文中为提及的网络模型开发了各自适用的学习算法,并对各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。本文提出的基于过程神经网络的动态预测理论主要基于过程神经网络的过程预测理论。本文从泛函分析的角度出发,将时间序列短期预测看作是一个泛函逼近问题,将时间序列长期预测看作是一个算子逼近问题。文中讨论并证明了过程神经网络对任意连续泛函或算子的逼近能力,为过程神经网络用于动态预测提供了理论上的支持。文中以Mackey-Glass混沌时间序列预测为例验证了基于过程神经网络的时间序列预测方法的有效性。文中所提出的基于过程神经元网络的动态预测模型能同时满足对动态系统的非线性辨识和过程预测,在机制上对动态预测预报问题有较好的适应性,分析了过程神经元网络模型的信息传递机制和理论性质,构造了一种基于广义距离泛数的训练误差函数,并以电力负荷预测为例验证了模型和算法的有效性。