人工神经网络、小波分析的研究是当代信息科学技术的前沿和热点,对于复杂系统的建模和预测具有重要的理论和应用价值。小波神经网络是近年来得到迅速发展并形成研究热潮的时间序列分析新技术,它将小波变换良好的时频域化特性和神经网络的自学习功能相结合,因而具有较强的逼近能力和容错能力。在结合方法上,可以将小波变换作为前馈神经网络的输入前置处理工具,形成松散型小波神经网络;或者将尺度函数(或小波母函数)作为基函数构造神经网络形成紧致型小波神经网络。本文首先从小波分析理论出发构造紧凑型小波神经网络,并对传统的小波神经网络算法进行了改进,从而避免了传统算法网络结构确定效率低的缺点,并有效的改善了网络的学习性能。针对传统多维小波神经网络存在的“维数灾”问题,提出了一种新型结构的多维小波神经网络,其主要特点是在网络的输出层将各维输入的小波重构相乘,从而使尺度函数族能够自动覆盖整个输入空间。针对样本数据出现缺损和不均匀时,等分辨率算法很难获得理想的逼近效果,研究了紧凑结构的非等分辨率算法,并将之应用于在环境系统建模中对缺损气象数据缺的补偿。研究了“分解-重构-预测”松散型小波神经网络的结构和算法,并将之应用于哈尔滨冬季大气二氧化氮浓度预测模型,分析了其在大气二氧化氮浓度预测中的优势所在。分析了大气二氧化氮浓度预测模型应选取的输入量,并对用于建模的数据进行了离群数据挖掘和处理、消噪和归一化处理。最后,分别采用本文的新型结构的多维小波神经网络和松散型小波神经网络以及传统BP神经网络,建立了哈尔滨冬季大气二氧化氮浓度预测模型,通过对各预测模型预测效果的对比,分析了本文算法的优势所在。