针对指挥决策者难以从复杂多变的战场态势要素中获取关联信息从而预判战场态势发展趋势的问题，将战场态势视为灰色系统，利用灰色系统理论对战场态势要素进行分类，分析要素之间的关联程度，从而为指挥决策者提供决心依据。结合神经网络建立GM(1,1)-RBF,DGM(2,1)-RBF组合模型对战场态势要素进行预测。同时，为提高模型预测性能，使用改进的算法对组合模型中的单个模型进行了优化。仿真实验结果表明，优化后的组合模型在预测精度及算法效率上均有明显提升。

针对稻种发芽率传统检测方法周期长，近红外光谱检测技术等无损检测方法受稻种自然颜色及含水量影响大的问题，通过连续偏振光谱结合嵌入型灰色神经网络(IGNN)的方法建立稻种发芽率预测模型。对检测连续偏振光谱运用经典模式分解(EMD)和小波包变换进行去噪处理，根据去噪效果选择EMD 去噪。利用主成分分析(PCA)提取去噪后的连续偏振光谱特征，结合偏最小二乘法回归(PLSR)、反向传播神经网络(BPNN)、径向基神经网络(RBFNN)和IGNN 分别构建稻种发芽率预测模型，建模结果显示10 min 检测时间点IGNN 预测模型精度最高，预测集相关系数R_P=0.985，预测集均方根误差(RMSEP)为0.771。研究结果表明基于连续偏振光谱技术结合嵌入型灰色神经网络的方法实现稻种发芽率快速无损检测是可行的且精度较高。

基于老化不同时间的稻种的生理学和物理学特性，提出一种基于多尺度小波变换和灰色神经网络的稻种发芽率红外热预测模型，实现稻种发芽率的快速、无损检测，解决传统发芽实验法实验周期长、操作复杂等问题。从不同发芽率稻种的胚芽部位提取144组数据，通过多尺度小波变换，分析逼近信号和细节信号，得出第3层细节信号(d3) 贡献最大。以第3层细节信号作为模型的输入，随机分为校正集和预测集，校正集96组，预测集48组。分析和比较老化不同时间的稻种的红外热差异，通过偏最小二乘算法(PLS)、BP神经网络、径向基神经网络(RBFNN)和灰色神经网络(GNN)，建立稻种发芽率红外热预测模型。结果表明，GNN建立的稻种发芽率模型预测效果最优，其中校正集相关系数(RC)和标准偏差(SEC)分别为0.9619、2.5013，预测集相关系数(RP)和标准偏差(SEP)分别为0.9554、2.4172，相关性达到较高水平且误差较小。研究表明采用小波分解和灰色神经网络建立稻种发芽率红外热预测模型的方法是可行的。