提出有限区间连续时变非线性系统建模与辨识的一种神经网络方法。它允许网络权值是时变的，以迭代学习方法调整权值，进行网络训练。借助于重复运行过程，不计逼近误差，迭代学习算法能够使得网络辨识误差在整个时间区间上渐近收敛于零。为了处理逼近误差，提出带死区修正的迭代学习算法训练时变神经网络。文中证明带死区修正的迭代学习算法能够保证网络辨识误差沿迭代轴在整个时间区间上渐近收敛于由死区界定的邻域内。文中分别依据逼近误差的界值已知和未知两种情形进行了讨论。

针对模块化神经网络结构设计过程中子网络输出不能最优集成的问题,提出一种基于粒子群算法的动态模块化神经网络.首先,该网络采用数据密度辨识样本分布空间,并更新数据中心;然后,根据输入数据激活相应的子网络,利用PSO算法寻找子网络的最优网络贡献度,并依据贡献度计算子网络的输出权值;最后优化模块化神经网络的集成输出.通过对非线性函数和时变系统的逼近实验,验证了集成网络中子网络数目可以根据任务动态调整,网络输出的集成权值能够通过PSO算法寻找到最优值,并且训练精度和自适应能力较其他算法均有一定的提高.