神经网络优势在于非线性映射和自适应学习能力；模糊系统主要处理模糊不确定信息。将两者有机结合近年来成为国内外学者研究焦点,使得模糊神经网络成为了非线性系统辨识的有力工具。本文针对二型模糊神经网络算法展开研究。1.设计了一种新的带补偿因子的区间二型模糊递归神经网络,该模糊神经网络适合于非线性动态系统辨识问题。二型模糊集合的使用更能有效处理不确定信息；补偿因子将传统的模糊推理扩展到补偿性模糊推理机制,使得系统能动态优化模糊规则,提高模糊规则适应能力的同时减少模糊规则数目；递归环节的设计充分利用了被测系统数据的自身联系性,使得系统具有记忆能力。基于模糊C均值聚类算法及其模糊度范围给出了确定前件网络参数初值方法；基于梯度下降法导出了所设计模糊神经系统的学习算法；分析算法的收敛稳定性的同时给出了最优学习率定理。实验结果表明,在模糊规则数和迭代次数较少的情况下所提算法较其他算法辨识精度更高。2.针对二型TSK模糊神经网络算法由于后件网络参数无法根据物理意义给出初值导致辨识结果不稳定问题,提出一种基于混合优化方法的二型模糊递归神经网络。后件网络参数的初值由带遗忘因子的最小二乘递推算法确定。该方法使得每次辨识结果稳定的同时能够加快网络训练速度和在一定程度上避免陷入局部最优。实验结果表明,进一步改进后的算法在提高辨识精度的同时具有辨识结果稳定的优点。3.将设计的二型模糊神经网络及其学习算法用于TE化工过程辨识中。实验结果表明本文所提算法较一型TSK模糊神经网络和BP神经网络具有较好的预测性能,进一步验证了本文算法的有效性。