As redes neurais com estados de eco (em inglês, echo state networks, ESNs) sao estruturas recorrentes capazes de aliar processamento dinâmico a um processo de treinamento relativamente simples, o qual se resumea adaptaçao dos coeficientes do combinador linear da saıda no sentido de mınimo erro quadrático médio (em inglês, mean squared error, MSE), enquanto os pesos das conexoes no reservatório de dinâmicas sao ajustados de maneira antecipada e permanecem fixos.

A presente tese trata dos principais elementos que caracterizam as ESNs e propoe:(i) uma unificaçao entre as abordagens de computaçao com reservatórios, como as ESNs e as liquid state machines (LSMs), e as extreme learning machines (ELMs), sob o termo geral de máquinas desorganizadas, o qual estabelece uma conexao com as pioneiras ideias conexionistas de Alan Mathison Turing;(ii) uma nova arquitetura de ESN, cuja camada de saıda é composta por um filtro de Volterra e por um estágio de compressao baseado em Análise de Componentes Principais (em inglês, Principal Component Analysis, PCA);(iii) o uso de critérios de aprendizado baseados em teoria da informaçao e em normas Lp em lugar do critério MSE para a adaptaçao dos parâmetros da camada de saıda de ESNs; e (iv) uma estratégia nao-supervisionada de projeto da camada recorrente de ESNs baseada em interaçoes laterais, modeladas segundo a funçao chapéu mexicano, e na auto-organizaçao dos pesos de entrada. As propostas elaboradas neste trabalho sao analisadas através de simulaçoes no contexto de diferentes problemas de processamento da informaçao, como equalizaçao de canais de comunicaçao, separaçao de fontes e prediçao de séries temporais.