针对神经网络自动组织与演化原理，研究了自动组织与演化机制，构建了具备自动组织能力和演化能力的网络模型。在神经网络自动组织理论与方法方面，基于神经发育规律，提出了基于增广搜索空间和搜索空间近似策略的可微分方法，其可在更大的搜索空间寻找更好的结构，具有更灵活的拓扑结构，提升了搜索效率和鲁棒性；提出了基于可微分采样器和渐进学习策略的方法，一定程度上解决了现有方法搜索空间小、离散化误差大、显存消耗大、残差连接强势等问题；提出了基于多目标优化的方法，一定程度上解决了高模型性能与资源浪费的矛盾问题；针对AutoML模型的鲁棒性差问题，提出了一种基于收缩伪逆学习器的深度神经网络，构建了可自动确定架构超参数的自动学习系统。在神经网络自动演化理论与方法方面，借鉴神经系统的突触可塑性，提出了基于多剪枝器和预测器的网络剪枝方法、基于代理模型和梯度优化的自动化剪枝方法，可在更小的模型上获得相同或更高的精确率；引入群体智能技术，提出协同学习方法逐步提升网络性能；提出了融合伪逆学习和集成学习的混合网络模型，可直接从生理信号中学习特征，实现端到端的预测。此外，该模型是一种数据驱动的准自动机器学习模型，简化超参数调试，根据数据的具体特性以及问题属性进行自我演化，实验结果表明所提方法可以接近或超过SOTA方法。