随着模糊逻辑和模糊控制的飞速发展，模糊规则的提取成为模糊技术应用的一个关键。由于人工总结规则存在不少困难，因此模糊规则自动生成方法的研究越来越引起人们的注意，其中一个活跃的研究方向是利用模糊神经网络来学习模糊规则。 模糊神经网络是由神经网络与模糊逻辑相结合构成的。它既继承了神经网络的自学习、自组织、自适应和自调整能力，又具备了模糊逻辑表达人类高层归纳性知识的能力，因而比其他方法更适于模糊规则的自动学习。 本文先概述了现有的各种模糊规则自动生成方法的优劣，然后在前人的研究基础上提出一种适于模糊逻辑控制的模糊神经网络模型，并利用该神经网络学习模糊控制规则。 本文提出的模糊神经网络方法包括三部分：一是输入空间的模糊划分；二是模糊神经网络的构造；三是模糊神经网络的参数调整。在模糊划分中，我们先借助K-Nearest-Neighbor的概念确定控制曲面的极值点，同时对得到的极值点进行了必要的筛选，删去伪极值点并保留关键的极值点。然后根据保留的关键极值点确定输入变量的初始模糊划分。由于模糊控制本质上是一种函数拟合，因此根据极值点获得的模糊划分是一种简洁而有效的划分。接着，我们根据得到的模糊划分结果构造模糊神经网络。网络的结构体现所要学习的规则推理形式，以方便规则的提取。至此，我们已得到粗略的模糊规则，更精细的规则通过神经网络的参数调整来获得。网络的参数调整采用BP学习算法。由于初始划分的有效性，因此采用本文方法得到的神经网络的初始参数已非常接近最优值，从而有效地避免了BP算法收敛速度慢、易陷入局部极小的缺点，同时充分利用了BP算法调整精度高的优点。