Предложена нейросетевая модель прогнозирования хода технологического процесса (ТП) сахарного призводства на основе динамического персептрона, позволяющая более адекватно отражать динамические свойства исследуемых ТП, что способствует повышению точности прогнозирования. Усовершенствован рекуррентный метод построения нестационарной регрессионной модели. Получил дальнейшее развитие метод управления динамическими объектами с помощью их статических моделей, что позволяет упростить процесс построения общей модели и использовать ее для оптимизации режимов работы отделений сахарного производства. Также разработаны нейросетевые методы построения традиционных нелинейных моделей Винера и Гаммерштейна, усовершенствованых путем применения искусственных нейронных сетей (ИНС) прямого распространения с использованием простых процедур обучения, что позволяет увеличить уровень автоматизации и скорость процесса построения моделей, а также улучшить их интерпретируемость. Разработано программно-алгоритмическое обеспечение модульного тренажера, позволяющее максимально унифицировать тренажер и использовать его для обучения операторов-технологов различных ТП.