模糊神经网络是在现代信息科学领域中发展非常迅速的重要学科之一。模糊神经网络集模糊系统知识的明显表达和神经网络强大的学习功能于一体,具有学习功能和自适应能力,并被广泛的应用于工业过程控制、机器控制、消费电子、系统辨识、模式识别、图像处理、数据挖掘等多个领域。在现有的模糊神经网络系统中,研究主要集中在模糊神经网络的表达方式和参数确定上,而对神经网络的辨识问题仍未解决。本文在前人的研究基础上,对动态模糊神经网络及其应用进行了深入的研究,取得如下成果:(1)针对未知状态的人脸识别提出了一种基于状态估计的张量分解的人脸特征提取方法。张量脸算法是分析和表达多因素影响的人脸图像结构的一种有效的数学模型,在原有的张量脸算法的基础上结合状态估计方法,对待识别人脸进行特征提取,通过动态模糊神经网络分类器进行识别,结果表明基于状态估计的张量分解方法的正确识别率高于原有的张量脸算法和常用的PCA人脸特征提取方法,而且网络训练速度也有提高。(2)在对动态模糊神经网络深入研究的基础上,本文又将补偿模糊神经元引入到动态模糊神经网络,提出了一种改进的动态模糊神经网络,即动态补偿模糊神经网络。通过在ORL人脸数据库和Weizmann人脸数据库上的多次实验表明,动态补偿模糊神经网络分类器的性能优于动态模糊神经网络分类器和径向基函数神经网络分类器。(3)由于通过动态模糊神经网络产生的模糊规则可理解性不高,而且产生和删除规则的次数易重叠,所以又对广义的动态模糊神经网络进行了深入的研究。广义的动态模糊神经网络(GDFNN)弥补了原有的动态模糊神经网络的缺陷,使使用者使用更方便,在函数逼近和系统辨识中的实验效果也表明,GDFNN的性能优于DFNN的,而且学习速度也有明显提高。