Автором диссертации впервые предложена архитектура двойного вэйвлет-нейрона и его метод обучения на основе модифицированных квази-ньютоновских и робастных методов. Также предложена архитектура вэйвлет-нейро-компрессора и его метод обучения, характеризующиеся возможностью обобщения и выявления локальных особенностей, что позволяет решать задачи компрессии многомерных нестационарных сигналов с последующим выявлением скрытых зависимостей, идентификацией, эмуляцией, диагностированием и прогнозированием обобщенного сжатого сигнала. Математическая модель адаптивной одномерной и многомерной вэйвлет-функции активации-принадлежности и методы настройки всех ее параметров на основе обобщенной метрики Итакуры-Сайто, а также одномерные и многомерные фаззи-вэйвлет-функции активации-принадлежности типа-2, позволяют минимизировать степень субъективизма при выборе функции для конкретно решаемой задачи. Ряд архитектур гибридных адаптивных вэйвлет-нейро-фаззи-систем предложен для обработки нестационарных нелинейных сигналов произвольной природы в условиях неопределенности. Разработана архитектура гибридной эволюционной каскадной МГУА - нейронной сети, в узлах которой используются синтезированные гибридные нейроны (W-нейрон, Q-нейрон, вэйвлет-нейрон). Получила дальнейшее развитие архитектура эволюционной каскадной вэйвлет-нейронной сети и метод ее обучения путем введения вэйвлет-нейрона в структуру узла каскадной сети, что позволило повысить качество прогнозирования сигналов произвольной природы, а также наращивать архитектуру сети в on-line процессе обработки временных рядов.