Дисертацію присвячено розробці інтелектуальних методів прогнозування та ідентифікації нестаціонарних послідовностей за умов апріорної та поточної невизначеності в реальному часі за допомогою штучних нейронних мереж зі змінною кількістю вузлів. Розглянуто існуючі моделі нейронних мереж для вирішення задач прогнозування та ідентифікації, сформульовано їх недоліки. Модифіковано архітектуру гібридної нейронної мережі для вирішення задач прогнозування та ідентифікації. Запропоновано модифікацію методу найменших квадратів з трикутною ваговою функцією для навчання нейронних мереж. Розроблений метод має значно меншу затримку ідентифікації, ніж у відомих методів, що є істотним у вирішенні задач прогнозування нестаціонарних сигналів. Обчислювальна складність запропонованого методу така сама, як і в традиційних. Уперше розроблено метод модифікації структури нейронної мережі, який не вимагає перенавчання після додавання або вилучення вузла, що є важливим при обробці інформації у реальному часі. Запропоновано новий оптимальний за швидкодією метод навчання ансамблю нейропредикторів. Оптимальність запропонованого метода полягає в тому, що в будь-який момент часу узагальнений прогноз за точністю не поступається будь-якому з локальних нейропредикторів, що входять до його складу. Також запропоновано метод модифікації структури ансамблю, що дозволяє додати або вилучити нейропредиктор без необхідності перенавчання синаптичних ваг вихідного шару метамережі. Розроблено пакет програм для моделювання роботи розроблених спеціалізованих гібридних ней-ромережевих моделей, ансамблів нейромоделей та методів їх навчання.