过程神经网络模型是输入与时间有关的函数或过程，它是传统人工神经网络在时间域上的扩展。过程神经网络的输入和连接权均可为时变函数，过程神经元增加了一个对于时间的聚合算子，使网络同时具有时空二维信息处理能力。考虑过程神经网络对时间聚合运算的复杂性的基础上，提出了一种基于函数正交基展开的学习算法。在网络输入函数空间中选择一组适当的函数正交基，将输入函数和网络权函数都表示为该组正交基的展开形式，利用基函数的正交性，简化过程神经元对时间的聚合运算。应用表明，算法简化了过程神经网络的计算复杂度，提高了网络学习效率和对实际问题的求解能力。 但实际问题中网络的输入往往是随时间变化的离散数据，为了减小拟合误差，提高预测精度，在输入空间中对输入的离散数据和网络权函数实施Walsh变换，即将网络输入函数和权函数在Walsh基下映射为一组新的时变向量，从而将积分聚合运算简化为向量内积运算，把过程神经网络时变权因数的学习转化为时变权因数的训练，减少了网络训练时待调参数的个数。 由于过程神经网络具有逼近任意非线性函数的能力，因此对于机理复杂的连续过程来说是一种很理想的建模方法。过程神经网络可以有效地弥补其它神经网络由于输入不为连续函数而导致预测精度相对较低的缺点。在本文的基础上，又提出了稀疏数据过程采用过程神经网络建立过程模型的方法，并以味精发酵过程菌体浓度预测模型为例。同时也对文中不同输入正交基情况下的过程神经网络模型进行了比较。