El artículo está dedicado a problemas de optimización de Bayes de sistemas estocásticos observables no lineales (NLOStSs) basados en expansiones canónicas de wavelet (WLCEs). Los procesos estocásticos de entrada (StPs) y los StPs de salida de los NLOStSs considerados dependen de parámetros aleatorios y ruidos gaussianos aditivos independientes. Para la síntesis estocástica, utilizamos un enfoque de Bayes con la función de pérdida dada y la condición de riesgo mínimo. Los WLCEs están formados por los coeficientes de expansión de la función de covarianza de una base ortonormal de wavelet bidimensional con un portador compacto. Nuevos resultados: (i) se presenta un algoritmo de síntesis de criterios de Bayes común para NLOStSs mediante WLCE; (ii) se proporcionan algoritmos de síntesis parciales para tres de los criterios de Bayes (error cuadrático medio mínimo, acumulación de daños y probabilidad de error fuera de los límites); (iii) un algoritmo aproximado basado en la linealización estadística; (iv) tres ejemplos de prueba. Aplicaciones: optimización de wavelet y calibración de parámetros en sistemas complejos de medición y control. Se formulan algunas generalizaciones.