Диссертационная работа посвящена решению научной проблемы нейросетевой идентификации нелинейных динамических объектов в условиях априорной и текущей неопределенности о свойствах исследуемых объектов и действующих на них возмущений. Предложена нейросетевая реализация нелинейной модели Гаммерштейна, являющаяся частным случаем модели Вольтерра. Предложены нейросетевые адаптивные наблюдатели (АН) нелинейных динамических объектов, описываемых моделями в пространстве состояний. Для анализа сходимости процесса обучения сети использованы различные модели ошибок. Получены правила обучения нейросетевого АН, зависящие от того, являются нелинейности измеряемыми или неизмеряемыми. Предложены достаточно простые процедуры обучения, применяемые при выборе базисных функций различных видов. Разработана процедура обучения сети, представляющая собой устойчивый модифицированный фильтр Калмана и обеспечивающая устойчивость процесса обучения.