近年来,随着算法理论和计算机的发展,神经网络的应用领域越来越广泛,越来越多不同的神经网络模型被提出。十年来发展迅速的深度学习正是一种规模巨大、结构复杂的大型神经网络。不同的神经网络的性能差异取决于神经元的连接方式。根据连接方式进行分类可分为前向网络、递归网络。根据网络架构又可分为深度网络和浅层网络。如今,对深度网络应用上的研究非常火热,然而理论上却遇到了瓶颈。不同于深度网络,宽度网络是一种浅层的网络。随着深度网络研究的不断深入,其弊端逐渐显现出来。最近的研究表明,宽度网络同样能达到深度网络的性能并且宽度网络具有深度网络所没有的优点。宽度学习系统BLS是一种基于RVFLN的高效增量学习系统,具有快速且精度高的特点。传统的BLS是一种前向网络,其在图像分类上能达到与深度网络相当的性能,现已成为研究的热点。由于不具有动态特性,BLS在时间序列问题上无法与递归网络相比。为了实现BLS对时间序列的精确预测,结合回声状态网络ESN的储备池结构,提出一种基于池计算的宽度学习系统RCBLS。该系统通过在强化层引入简单环型储备池连接,以并行的储备池代替原系统中的前向连接,使RCBLS具有一定的回声状态特性且方便设计。同时,应用增量学习保证了系统的实时性能。基于MSO时间序列预测问题,针对不同规模数据样本分别研究了不同储备池结构RCBLS的性能。结果表明:多储备池结构的RCBLS大大提高了模型的泛化能力和稳定性。