Диссертация посвящена разработке интеллектуальных методов прогнозирования и эмуляции нестационарных последовательностей в условиях априорной и текущей неопределенности в реальном времени с помощью искусственных гибридных вэйвлет-нейронных сетей. Предложена адаптивная модификация метода обучения на основе стахастической аппроксимации и метода обучения одновременного действия в стационарных и нестационарных условиях. Впервые предложены генераторы аналитических четных и нечетных вэйвлетов, которые позволяют получать различные виды вэйвлетов и возможность настраивать их параметры при обучении нейронных сетей. Впервые предложен метод обучения на точках поворота вэйвлет-нейрона на основе оптимизации гибридного критерия качества, который является существенным в решении задач прогнозирования нестационарных сигналов. Предложен метод обучения на основе алгоритмов эволюционного планирования, отличающийся быстродействием и вычислительной простотой.