Розглянуто задачу адаптивної обробки (фільтрації, згладжування, прогнозування) широкого класу стохастичних полів спостережень за умов невизначеності у реальному часі. Запропоновано адаптивний метод зі скалярним коефіцієнтом підсилення для оцінювання параметрів 2-D-моделей полів спостережень. Доведено його збіжність. Отримано адаптивний метод полігармонійного розкладання полів, що не потребує апріорної інформації про їх структуру та параметри, дозволяє виконувати багатокрокове прогнозування, згладжування та фільтрацію на базі отриманих оцінок. Синтезовано архітектуру спрощеної штучної нейронної мережі для полігармонійного аналізу сигналів, яка дозволяє робити однокрокове прогнозування оброблювальної послідовності та має підвищену швидкодію. Розв'язано задачу адаптивної обробки послідовностей полів спостережень на базі спрощеної матричної моделі. Висвітлено багатокроковий метод настроювання параметрів спрощеної матричної моделі типу рекурентного методу найменших квадратів. Викладено спрощену структуру матричного аналога рівняння авторегресії. Розроблено нову архітектуру штучних нейронних мереж для адаптивної обробки стохастичних полів спостережень. Проведено імітаційне моделювання розроблених методів із застосуванням тестових і реальних даних, що довело працездатність отриманих теоретичних результатів та їх істотну перевагу за різними показниками якості над відомими підходами. Розв'язано актуальні практичні задачі, пов'язані з прогнозуванням і згладжуванням стохастичних полів спостережень.