在数字信号处理中，所谓滤波实际上是完成输入到输出的某种映射关系，对于解决通信、雷达、水声、遥测、自动控制、生物医学、模式识别、图像处理、语言处理等诸多领域中的复杂问题与现象有重要意义。滤波的种类很多，最简单的滤波器是权系数固定的线性滤波器，为了提高滤波性能，滤波器的权系数(传递函数)往往随输入信号而变化，这种滤波称为自适应滤波。如果滤波器的输入输出关系具有非线性映射特性，那么对应的滤波称为非线性滤波。线性只是非线性的特例，对某些时间序列或未知系统采用非线性模型可以从更深层次上揭示信号与系统的内在特征，从而更有效地提取信息。自适应非线性滤波是当今信号处理的重要发展方向，它是针对线性处理的许多不足和限制而发展起来的，在不少场合，可获得比线性处理更加优越的性能，因此具有广泛的应用前景。 人工神经网络(ANN：Artificial Neural Net、Networks)是近几十年来发展迅猛的一门边缘学科，在信号处理、模式识别、智能控制等领域中的应用价值越来越被人们重视。ANN对众多学科的包容性、应用范围的广泛性及其理论方法的多样性是前所未有的。由于ANN具有表示任意非线性关系和学习的能力，给建立非线性滤波器提供了新思想和新方法。本文意在基于传统自适应滤波理论，构造新型的ANN非线性自适应滤波器，实现通信信号滤波。 针对一般ANN的缺点，本文重点研究函数连接型神经网络(FLNN：Functional LinkArtificial Neural Network)。FLNN的最大特点是直接对输入模式进行非线性扩展，将其映射到一个更大的模式空间。虽然输入信息并未增多，但模式的增强带来了网络结构的简化和学习速度的提高。例如在不使用隐含层而采用单层网络结构时，FLNN对非线性信号的处理能力不亚于传统的ANN，在收敛速度上还有大幅度提高。因此，本文重点研究由FLNN构造非线性自适应滤波器，并与由传统线性滤波器和由BP网络构成的ANN滤波器进行性能比较。仿真试验表明在非线性滤波方面，FLNN滤波器有较快的运算速度和很好的滤波效果。本文还利用已设计好的滤波器，实现通信传输中的自适应噪声抵消。