本论文对神经网络理论用于最优非线性滤波进行了研究,主要完成了以下研究工作:分析了神经网络理论应用于最优非线性滤波的现状及发展趋势,并对神经网络和经典的最优非线性滤波方法进行简单的讨论,其中包括非线性最小方差(LMS)估计(即扩展的卡尔曼滤波)和非线性最小二乘估计(RLS),研究了神经网络应用于最优非线性滤波的可行性。探讨了基于反向传播(BP)网络和基于径向基函数(RBF)网络的最优非线性滤波,利用MATLAB作为仿真软件,并应用BP网络和RBF网络对实例进行了仿真,从实验的角度验证了验证了RBF网络在非线性滤波方面的优越性,它具有训练时间短、所用神经元数目少、精度高等突出优点。最后介绍了基于函数型神经网络的最优非线性滤波,给出了相应的仿真实验结果。可以看到,神经网络用于最优非线性滤波具有广阔的发展前景。