随着科学技术的不断进步，人类需要控制的对象和过程日益复杂，但对控制质量的要求却不断提高，智能控制为这一问题的解决提供了一条有效途径。模糊逻辑和神经网络是实现智能控制的基本方法，模糊控制不需要建立被控对象的精确数学模型，但是在隶属函数的自动调整和模糊规则的自动生成上却存在困难；神经网络具有自学习，自适应，并行处理的能力，但结构的选择缺乏理论依据。把两者相互融合可以取长补短，将智能控制理论推向新的高度。 本文采用五层前馈神经网络模型对模糊控制器进行映射，神经网络—模糊控制器的性能虽然较以前的单一控制器有了很大提高，但还存在模糊子集个数的确定、模糊规则的提取和初值的确定等问题。针对这些问题，本文提出了基于聚类分析的神经网络—模糊控制。模糊子集个数的确定可以采用最佳聚类数的方法，即通过聚类有效性函数进行。隶属函数中心值初值的确定和模糊规则的提取可用聚类分析的方法得到，经过神经网络的进一步优化得到基于神经网络—模糊控制器。 针对聚类分析中的硬聚类方法、模糊聚类方法和可能性聚类方法，硬聚类方法速度快，但割裂了样本之间的联系；模糊聚类克服了这一缺陷，但存在局部最优，为此将硬聚类和模糊相结合，提出一种新的聚类分析方法。 将基于聚类分析的神经网络—模糊控制器应用于火电厂锅炉水位串级控制系统进行仿真研究，实验表明该算法确定的控制系统控制品质较高，鲁棒性强。