Aprender el caos de alta dimensionalidad es un problema complejo y desafiante debido a su dependencia sensible al valor inicial. Basándonos en una red de estado de eco (ESN), introducimos una transformación de homotopía en la teoría topológica para aprender el caos de alta dimensionalidad. Sobre la premisa de mantener las propiedades topológicas básicas, nuestro modelo puede obtener las características clave del caos para el aprendizaje a través de la transformación continua entre diferentes funciones de activación, logrando un equilibrio óptimo entre no linealidad y linealidad para mejorar la capacidad de generalización del modelo. En la parte experimental, elegimos el sistema de Lorenz, el sistema de Mackey-Glass (MG) y el sistema de Kuramoto-Sivashinsky (KS) como ejemplos, y verificamos la superioridad de nuestro modelo comparándolo con otros modelos. Para algunos sistemas, el error de predicción puede reducirse en dos órdenes de magnitud. Los resultados muestran que la adición de la transformación de homotopía puede mejorar la capacidad de modelado de sistemas caóticos espaciotemporales complejos, lo que demuestra la aplicación potencial del modelo en el análisis dinámico de series temporales.