现实世界中,很多生产过程中测量到的数据往往是不精确的,如科学试验或工业等,如何表述不精确信息并对其建模是过程研究中的重要问题。粒是一种新概念,主要用于描述不精确信息。它衍生出许多方法,其中集合论和区间分析被证明具有很好的应用效果,得到了广泛研究;另一方面区间神经网络是目前解决不精确数据建模的一种有效方法,它利用区间数表示不精确数据,利用神经网络完成建模的任务。离散小波变换时、频局部化性能较好,经分析发现它的思想与三层神经网络能实现较好的契合,那么可以把区间理论、离散小波变换以及神经网络三者相结合,去解决不精确信息的建模和神经网络参数缺乏指导等问题,所以无论理论还是实际意义方面,区间离散小波神经网络都有较高的研究价值。以区间分析、离散小波变换理论为基础,在大量查阅了有关文献和书籍后,本文详细设计区间离散小波神经网络网络的结构,并推导了与其有关的学习算法。本文的主要研究工作主要包括以下内容:本文将区间离散小波神经网络分为三类,推导了第一类和第二类区间离散小波神经网络前向计算和反向学习过程。所建立的模型充分利用了离散小波变换理论去计算输入层到隐层以及隐含层到输出层的权值,利用梯度下降算法调节输出层权值。通过仿真实验,证明了区间离散小波神经网络网络结构设计合理,且收敛方面的表现良好。在本文之前有关区间神经网络的研究中,反向学习本质是采取了点值运算方式,但本文以开拓研究的态度,提出利用GH-difference区间求导的方法进行区间神经网络的反向学习。经实验证明,区间求导的方法不仅可突出区间神经网络中区间的鲜明特色,而且具备较好的泛化和收敛能力。基于上述研究成果,在本文最后提出可以深入探讨的的方向。