为了弥补单一的神经网络在非线性动态系统建模和应用中表现出来的易陷入局部最小值、训练时间长、校验精度低、泛化能力差等缺点和不足，更好地发挥神经网络在系统辨识中表现出来的高度非线性、自组织、自适应、自学习等特性，本文提出了B样条网络与对角递归神经网络相结合的混合神经网络拓扑结构。其中，B样条网络负责系统中的非线性映射部分；线性对角递归网络则主要反映系统的动态特征。 作者将CSTR模型和聚酯生产过程作为仿真对象，分别采用最小二乘学习方法和RPE学习方法，利用串联和并联的混合网络对仿真对象的建模进行实验。仿真实验的结果表明：采用最小二乘学习方法的混合神经网络能够以较高的精度和较快的速度为输出可测的非线性动态系统建模；而利用RPE学习方法则可以为输出不可测的复杂的非线性动态系统建立精度较高的模型。实验结果还证明了混合神经网络能够降低单个网络的训练难度，改善采用单一神经网络建模过程中存在的精度不高以及训练时间长等不足，同时为非线性系统控制策略的求解提供方便。 针对神经网络“黑箱”性体现出的不能充分利用系统已知因素的缺点，作者进行了神经网络“白盒化、透明化”研究，提出了结构逼近式混合神经网络的拓扑结构，使得混合网络的结构能够与现实系统变量相对应，赋予网络单元物理意义，充分利用系统内部已知因素为系统建立精确模型。