在解决非线性复杂系统优化与预测问题时，BP神经网络发挥着重要的作用。但当系统存在时变输入的变量时，传统的处理瞬态输入的BP神经网络模型就不能很好地反映复杂系统的内在规律。能够处理时变输入的过程神经网络模型越来越被人们关注，目前关于过程神经网络模型的研究基本都针对输入均为时变变量情形。本文在BP神经网络和过程神经网络模型研究基础上，针对同时具备时变和瞬态输入的过程神经网络，研究它的理论模型及实际应用。首先，论文介绍了BP神经网络和过程神经网络的基本原理及应用，在此基础上，提出了混合过程神经网络模型的基本概念。接着，考虑到混合过程神经网络神经元输入类型、输入节奏及时变输入特征，构建了等时长混合同步输入、变时长混合同步输入、变时长混合异步输入和离散时变混合输入的过程神经网络模型，给出了各模型的拓扑结构和数学描述。进而，运用傅里叶变换和积分变换处理时变输入函数、权函数及异步输入问题，将复杂的混合过程神经网络模型转换为BP神经网络模型。给出了混合过程神经网络模型的学习算法。混合过程神经网络模型的研究拓展了过程神经网络理论领域。最后，依据某钢铁公司6号高炉的生产日报数据，应用建立的等时长同步输入的过程神经网络模型预测高炉炼铁生产的生铁产量和用氧量。并与BP神经网络模型及时序神经网络模型的计算结果进行了比较，分析了三种模型的计算误差及误差产生的主要原因，以及模型计算的收敛性、稳定性及时间性能。实验表明，从计算的误差及性能来看，混合过程神经网络模型是有效的，且优于BP神经网络模型和时序神经网络模型。研究结果表明，无论输入节奏和输入特征如何，混合过程神经网络模型都可以转换为BP神经网络模型求解，为解决具有时变与瞬态混合输入的系统优化与预测问题提供了一条可行有效的途径。在时变函数拟合方法、过程神经元激励函数选取、样本处理和预防网络计算振荡方面，值得进一步探讨。建立更符合实际应用的混合过程神经网络模型，为复杂系统优化与决策奠定坚实的理论基础。