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，如科学试验或工业过程等，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;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。随机权值神经网络采用了输入层权值随机给定、输出层权值使用最小二乘法进行训练的方式，有效克服了BP神经网络收敛速度慢、易陷入局部最优、对学习率敏感等问题。把区间理论、随机权值神经网络相结合，去解决不精确信息的建模等问题，从理论和实际层面都具有较高的研究价值。
　　本文选取了随机权值神经网络并结合以区间分析的理论，在大量查阅了有关文献和书籍后，以随机向量函数连接网络为基础详细设计了区间随机权值神经网络的结构，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:
　　本文将区间随机权值神经网络分为两类，并推导了这两类区间随机权值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随机向量函数连接网络的权值学习方式，利用最小二乘法的原理对于隐含层到输出层的权值进行调整。通过仿真实验，证明了区间随机向量函数连接网络结构设计合理，且收敛方面的表现良好。
　　为使本文所提出的区间随机权值神经网络网络能够获得更好的效果，本文针对所提出的区间随机权值神经网络进行了结构上的改进。主要从两方面开展:一是将区间随机向量函数连接网络的权值学习方式与平行层感知器相结合提出基于平行层感知的区间随机向量函数连接网络，通过增加训练参数和加入输入影响来提高网络性能;二是利用集成神经网络的结构，引入了负相关学习算法，使网络获得更优的性能。最后通过仿真实验验证网络的优越性。
　　结合本文所提出的区间随机权值网络，提出了两方面的应用。一是针对有界误差问题的建模，将有界误差问题中的有界用区间进行描述，使用区间随机向量函数连接网络的学习思路实现有效建模。并针对该网络的权值学习方式进行改进，有效的解决了误差界限已知和未知两种情况。二是将区间随机权值神经网络应用于不精确数据分类问题，将本文所提出的区间随机向量函数连接网络应用到温室环境质量评价系统的建模上，获得了良好的分类效果。