یکی از مسایلی که از دیرباز مورد توجه محافل علمی بوده است، پیش بینی سری های زمانی و تقریب توابع می باشد. روشهای کلاسیک و هوشمند متعددی در این زمینه معرفی و به کار بسته شده اند. به یقین، یکی از روشهای بسیار موفق در زمینه پیش بینی سری های زمانی، شبکه عصبی می باشد. شبکه های عصبی پرسپترون دو لایه دارای تقریب زنی جهانی بوده و قادر به تخمین هر تابعی در فضای می باشند. به نظر می رسد با افزایش پیچیدگی تابع فعال سازی در نرونهای یک شبکه، بتوان قدرت تقریب زنی آن را افزایش داد. بر همین اساس شبکه مبتنی بر موجک ارایه شده است. در شبکه مبتنی بر موجک، تابع فعال سازی نرونها، یک تابع موجک است. در این پایان نامه سعی شده است که شبکه های مبتنی بر موجک به طور کامل مورد مطالعه قرار گرفته و کاربرد این شبکه ها در مسایل پیش بینی بررسی شود. این پایان نامه، از سه بخش اصلی تشکیل شده است. در بخش اول شبکه پیش خور مبتنی بر موجک، معرفی شده سپس، روشهای مقداردهی اولیه این نوع شبکه توضیح داده می شود. در بخش دوم شبکه بازگشتی مبتنی بر موجک مورد بررسی قرار گرفته و روشی جدید جهت مقداردهی اولیه این نوع شبکه ارایه می شود. در بخش سوم، چگونگی پیاده سازی یادگیری بیزین بر اساس روش مونت کارلوی پیوندی بر روی شبکه مبتنی بر موجک توضیح داده خواهد شد. این نوع یادگیری برای نخستین بار بر روی شبکه های مبتنی بر موجک پیاده سازی شده است. در نهایت برای اولین بار از شبکه های معرفی شده در سه بخش اصلی پایان نامه در مساله پیش بینی بار مصرفی روزهای خاص استفاده می شود. در این پیش بینی، ساختاری جدید جهت مدل کردن بار مصرفی روزهای خاص معرفی شده است. با توجه به کمبود داده های یادگیری در پیش بینی بار روزهای خاص، می توان گفت که شبکه مبتنی بر موجک با یادگیری بیزین از دو شبکه دیگر نتایج بهتری را از خود نشان داده است. اما زمانی که داده آموزش زیاد است، شبکه مبتنی بر موجک با یادگیری «لونبرگ-مارکوات»، از شبکه بازگشتی مبتنی بر موجک و شبکه مبتنی بر موجک با یادگیری بیزین ، دقت بیشتری دارد. در این پایان نامه یک جعبه ابزار با رابط گرافیکی برای شبکه های مبتنی بر موجک پیاده سازی شده که تقریبا تمامی استانداردهای برنامه نویسی شرکت mathworks در این برنامه نویسی رعایت شده است و قابلیت اضافه کردن الگوریتم های مختلف بر روی شبکه مبتنی بر موجک را داراست.