随着应用的深入和拓展，数据计算呈现出越来越高的复杂性，包括高度非线性、混沌、含噪量大等。具有这种特点的计算问题，传统的数学方法和智能算法，例如积分、微分、人工神经网络、传统递归神经网络等，已经逐渐不能胜任。而回声状态网络（ESN）由于其训练算法简捷，全局最优等特点，有望成为解决此类问题的有力工具。回声状态网络在处理与时序有关的数据方面，表现出优良的计算能力，常常被应用于预测、控制、系统辨识、语音识别、异常检测、医学诊断等领域。本文主要围绕ESN的计算能力开展研究，并重点关注ESN的网络性质的重要影响。通过对影响ESN计算能力的多种因素的分析，把储备池的拓扑结构作为研究重点，进行对比实验分析。首先，在ESN的储备池中引入诸如规则网络、小世界网络、无尺度网络等拓扑，构建不同拓扑结构的储备池和对应的ESN模型。为了验证本文所研究的多种复杂网络拓扑结构对ESN计算实用价值，选用非线性自回归滑动模型、Mackey-Glass混沌系统、洛伦兹混沌系统等作为测试依据，构建了基于MATLAB的仿真测试平台，进行了不同拓扑结构ESN在多类测试数据中的计算能力对比实验。在非线性自回归滑动模型、Mackey-Glass混沌系统、洛伦兹混沌系统等仿真平台的实验结果表明，具有小世界网络结构的ESN方法较之其他网络结构的ESN具有更优性能。