随着模糊模型和神经网络理论的发展，两者在工程应用方面所发挥的作用也越来越大，但两者各自的弊端也逐渐显现出来。神经网络具有很强的学习能力，但它是一种典型的“黑箱”模型，学到的知识蕴藏于连接权中，用户无法直接理解和使用；模糊模型以人类的自然语言描述问题，利用模糊规则集进行推导，因此容易被人理解，但它无法将专家知识或大量样本数据直接转化为推理规则库，且本身缺乏学习能力而难以对自身进行改进。如何将两者的优点有机地结合、取长补短，日益成为人们关注的问题。本文针对这一问题，在神经一模糊融合的理论与应用方面作了一定的研究。 本文首先介绍了关于模糊模型与神经网络的一些基础理论知识，阐明了将这两种计算工具结合起来的必要性和可行性，并对神经网络与模糊模型相结合的多种结构及算法作了对比研究。 然后，针对两类不同的模糊模型提出了两种神经一模糊融合方法：基于改进型径向基函数网络的高阶T-S模糊模型的学习算法和基于竞争网络的单值模糊模型的学习算法。 前一种方法利用减法聚类算法获得径向基函数网络隐节点数并利用参数学习辨识模糊模型后件线性参数和调节隐节点参数从而得到精调的模糊模型。之后将该算法应用于非线性函数逼近的问题中，从算例可以看出，由于高阶T-S模糊模型的后件为线性的，该方法得到的模型有较高的精度。 后一种方法在粗糙学习阶段利用竞争聚类算法建立初始网络结构，在精细学习阶段修正网络参数从而获得优化的模糊模型。同样将这种算法应用于非线性函数逼近，与前者对比可以看出，模型的精度稍差，但由于不存在后件参数辨识，该方法的学习速度快且计算复杂度较低。 最后系统地介绍了机车车轮踏面损伤成因以及国内外现存的故障诊断方法，并将基于神经网络的模糊模型应用于车轮的故障诊断当中，提出了一套根据车速与振动水平来判断车轮状况的车轮故障诊断方法。