人工智能的日益发展极大的促进了专家系统技术的发展,专家系统可以运用领域专家积累的经验和专门知识,模拟人类专家的思维过程,求解需要专家才能解决的困难问题。由于实际问题中常存在着不确定性问题,传统的专家系统难以建立较为准确的推理机制。本文着重研究了专家系统中的推理方法,在基于规则的推理机制的基础上引入模糊集合论以及神经网络方法,一型模糊集合本身存在描述模糊不确定性方面的缺陷,提出采用二型模糊集合论来弥补这一缺陷,另外由于神经网络的自学习机制以及强大的数据处理能力,将二型模糊集合论与神经网络结合作为专家系统的推理机制,以提高系统的在线自学习能力。本文的主要研究工作包括以下几个方面：1)针对实际系统中包含的不确定问题,提出了基于GA-FNN的专家系统推理方法。首先将模糊理论和神经网络的知识结合起来建立FNN结构,然后将训练获得的网络权值、阈值构建成专家系统知识库,并采用遗传GA算法优化网络权值、闽值,最后在建立的知识库的基础上,以输入模糊值与输出模糊值之间的神经网络结构作为专家系统的推理模型。该推理结构具备并行联想功能,同时具备较高的准确度和很快的收敛速度。2)针对一型模糊集合在描述隶属函数的不确定性时存在的缺陷,提出了基于二型模糊集合的推理模型。首先采用模糊C均值方法自动提取规则,推理采用基于Mamdani模型的方法,对于得到的模糊推理结果采用一型重心解模糊法进而得到精确输出。仿真结果表明基于Type-2型模糊推理方法通过模糊化隶属函数得到其对应的模糊区间表示,相比于Type-1型模糊推理方法最终能够得到更为准确的推理结果。3)针对动态时变系统,提出了基于Type-2型模糊神经网络推理模型。该模型综合了Type-2型模糊集合可以掌控和描述多重不确定性信息以及神经网络的学习机制,实现了网络结构和网络参数的在线自学习。在仿真部分,采用了带有噪声的非线性函数以及乙烯气相聚合过程数据分别进行仿真验证。研究结果表明,基于Type-2型模糊神经网络跟踪推理性能比Type-1型模糊神经网络的跟踪推理性能要好,Type-2型模糊神经网络具有更好的处理不确定性的在线推理能力。