本论文对神经网络理论应用于最优非线性滤波进行了研究，主要完成了以下的研究工作： 分析了神经网络理论应用于最优非线性滤波的现状及发展趋势，并对神经网络和经典的最优非线性滤波方法进行简单的讨论，其中包括非线性最小方差(LMS)估计(即扩展的卡尔曼滤波)和非线性最小二乘估计(LS)，研究了神经网络应用于最优非线性滤波的可行性。 探讨了基于反向传播(DP)网络和基于径向基函数(RBF)网络的最优非线性滤波，利用MATLAB作为仿真软件，并应用BP网络和RBF网络对实例进行了仿真，得出一系列仿真波形，从实验的角度验证了该模型仿真设计思想的正确性。 最后部分通过计算机仿真实验，验证了RBF网络在非线性滤波方面的优越性，它具有训练时间短、所用神经元数目少、精度高等突出优点。可以看到，神经网络用于最优非线性滤波具有广阔的发展前景。