Досліджено гібридні еволюційні нейронні мережі, котрі мають можливість в процесі навчання налаштовувати не тільки свої параметри, але й структуру, для вирішення таких задач інтелектуального аналізу даних, як прогнозування, ідентифікація або класифікація в умовах апріорної і поточної структурної та параметричної невизначеності. При цьому в ролі вхідних даних розглядалися часові ряди або масиви числових даних, представлені у вигляді таблиць "об'єкт-властивість". Крім того, в дисертаційній роботі пропонуються інші гібридні нейронні мережі, що є модифікацією каскадно-кореляційної архітектури, запропонованої Фальманом і Лєб'єром, кожна з яких має свої недоліки і переваги, серед яких можна визначити можливість лінгвістичної інтерпретації отриманих результатів, підвищену чисельну стійкість методів навчання, простоту реалізації нейроархітектури на платах. Як один із варіантів структурної адаптації нейро-фаззі мереж у роботі розглянуто механізм самоорганізації на основі методу групового урахування аргументів, який був застосований до так званої нео-фаззі нейтронної мережі.