模糊神经网络结合了模糊系统和人工神经网络两者的特点,不仅能处理语言信息,还具有自学习功能,已广泛应用于复杂系统的建模和控制。目前关于模糊神经网络的研究主要包括：确定网络结构、建立参数学习算法和优化网络结构。本文分别探讨了基于非多项式和多项式后件的模糊神经网络的参数辨识及结构优化。论文的主要工作如下：第一,本文提出了一种基于极限学习机的模糊小波神经网络参数辨识算法,模糊神经网络的后件采用小波函数构建,利用极限学习机辨识网络的线性参数,同时采用梯度寻优算法对非线性参数进行优化。在此基础上,我们提出了分类建模策略对网络结构进行优化,通过对建模数据的分类,进而对各局部模型进行参数辨识,可以较为有效地提高模糊小波网络的建模精度。数值仿真结果表明,本文所建立的模糊小波神经网络对时间序列、非线性函数及UCI数据集具有较好的逼近效果。第二,本文采用广义Bernstein多项式函数作为推理规则的后件,构建了Bernstein模糊神经网络。采用K均值聚类算法辨识网络的隶属函数参数,对于网络的连接权值则采用偏最小二乘算法进行计算,在计算过程中进行主元分析,提高了模型的逼近精度。通过对非线性系统的建模,测试结果验证了本文模型的有效性。第三,本文研究了基于模糊Bernstein神经网络的区间值时间序列的预测。首先,建立区间值时间序列的中值序列和半径序列,然后,设计模糊Bernstein神经网络对这两个时间序列分别预测,从而实现对区间值时间序列的预测。测试结果表明,模糊Bernstein神经网络可以较为有效地处理区间值时间序列的建模问题。