由于海洋开发与军事上的需要，自治式水下机器人(AUV)技术得到了迅速的发展，它成为完成各种水下智能作业任务的重要工具，对其的研究开发也成为焦点。水下机器人系统是一个具有强烈非线性和耦合性的系统，如何准确的描述水下机器人的运动特性是进行水下机器人控制、预测、故障诊断的前提，因此对水下机器人进行系统辨识的研究引起了业界专家的极大兴趣。 本文以哈尔滨工程大学水下运载器智能控制技术实验室自主开发的“Beaver”水下机器人为研究对象，对如何建立水下机器人的前向动力学模型、预测模型以及模型的在线调整与应用问题进行了研究。 本文以神经网络为工具，分析非线性系统辨识的方法以及常用的辨识网络结构，并在此基础上，提出了应用复合输入动态回归神经网络对水下机器人动力学模型进行辨识的方法，对比了它与多层前向神经网络和改进的Elman神经网络进行非线性系统模型辨识的差异。建立了水下机器人动力学系统的在线神经网络模型，提出了模型的在线调整算法，即简化的随时间进化反传(SBPTT)算法。通过仿真实验，显示了三种神经网络在函数逼近和非线性系统辨识中存在的差异，并验证了基于SBPTT在线学习调整算法的复合输入动态回归神经网络在非线性系统辨识中的有效性。在此基础上，根据水下机器人的前向动力学模型，建立了水下机器人的动力学多步预测模型，配合课题组设计了水下机器人的神经广义预测控制器。通过“Beaver”水下机器人在哈尔滨工程大学的船模水池的实验，进一步验证了本文采用的复合输入动态回归神经网络在水下机器人动力学模型辨识方面的有效性。