大多数先进的滤波算法都是在各种基本算法的基础上发展而来的，通过改进这些基本算法的性能，在某些特定的情况下可取得较好的效果。为适应信号及噪声的非线性和更复杂性的特性，本文将自适应、自组织和自学习机制引入到滤波中，形成模糊神经网络(FNN)的非线性滤波方法。 模糊神经网络是一门交叉学科，它在结合模糊逻辑(FL)和神经网络(NN)的基础上、以简单的数学方法和逻辑推理完成复杂的智能分析，能有效地处理问题的非线性、模糊性和不确定性关系。 本文研究和分析了经典BP神经网络(BPNN)、径向基函数神经网络(RBFNN)和模糊神经网络的理论和算法，并在此基础上应用基于激励函数变化明显区域的模糊神经网络的初始化方法，使网络模型较快地跟踪被测系统而收敛到其最优。利用模糊逻辑和RBF神经网络的等价性将模糊逻辑和神经网络有机的结合来构成模糊神经网络，并将模糊神经网络方法应用到地震勘探的实际资料处理中，取得了较好的应用效果。除此之外，同时运用中值滤波、BP神经网络滤波、RBF神经网络滤波和模糊神经网络滤波来对不同资料和不同特征的噪声进行滤波性能评价。实验结果充分证明了基于模糊神经网络的非线性滤波方法的正确性、鲁棒性、可行性和实用性。