随着人工智能在生活中的广泛应用,人工智能领域相关技术的研究也引起了广泛的关注。回声状态网络（Echo State Network,ESN）是人工智能领域中的一种重要方法,作为一个非线性的自适应动态系统,其包含大量通过突触相互连接的人工神经元,通过模仿人脑的结构和神经网络的行为特征,进而实现分布式和并行信息处理的功能。因其较快的学习速度成功应用到时间序列以及网络流量的预测中,成为目前研究的热点之一。在回声状态网络的研究中,一直存在储备池中神经元之间的随机连接以及输出突触的全连接降低网络预测性能的问题。针对上述问题,本文主要从输出突触连接结构、储备池内突触连接方式以及神经元连接结构等三方面对回声状态网络进行了研究。以下是本文的具体工作:第一,本文提出一种具有稀疏输出突触的回声状态网络,并将其应用于混沌时间序列的预测。本文发现并验证了回声状态网络中冗余输出突触连接的存在,提出了一种基于能量效率的定位冗余输出突触的方法,并分析了冗余输出突触存在的原因。使用改进的使网络具有高能量效率的输出突触对比其他四种不同的输出突触,并分析所改进的网络预测性能。本文给出了不同混沌系统的数值模拟仿真实验,在混沌时间序列的预测中,具有稀疏输出突触的回声状态网络的预测性能更好。第二,本文提出一种基于忆阻器的回声状态网络（Memristor-based ESN）,并将其应用于混沌时间序列的预测。忆阻器是一种具有自身电阻状态的存储功能的设备。通过将忆阻器的特性引入到回声状态网络中,用忆阻器代替回声状态网络储备池中的神经元之间的连接突触,改进了储备池中神经突触的随机连接性,提高了储备池的记忆能力和网络的预测性能。对所提的基于忆阻器的回声状态网络在应用广泛的混沌时间序列预测中进行了仿真实验,与经典的回声状态网络从三个方面进行了对比。同时,与其他回声状态网络变体进行了对比。对比实验结果表明,基于忆阻器的回声状态网络提高了网络的预测精度和预测性能。第三,本文提出一种基于Dropout方法的回声状态网络（Dropout ESN）,并将其用于网络流量预测。将Dropout方法引入到回声状态网络中,经典的回声状态网络储备池的随机性得以减弱,储备池内神经元的连接度得以降低。同时将基于Dropout方法的回声状态网络应用到实际的网络流量预测任务中,设置了储备池内神经元以不同的概率停止工作,从三个方面将改进的回声状态网络和经典的回声状态网络的预测性能进行对比。同时,与其他网络进行了对比。对比实验结果表明,本文所提的基于Dropout方法的回声状态网络对网络流量预测性能更优。