由于信息在模糊逻辑系统中是显式存在的,因此模糊逻辑系统具有算法直接、系统简单、处理量小的优势。但是系统本身没有自主学习的能力,且系统的灵活性很差。神经网络的不足主要表现在三方面:理解困难、结构复杂、信息量大。但神经网络的优势为:有自主学习的能力、高度的并行性以及自身优良的鲁棒性能。由此可见,这两门学科间具有极好的优势互补性,两者融合定能打破单一系统存在的局限性。本文主要将二型TSK模糊逻辑系统与神经网络相结合,形成结构像神经网络,功能似二型TSK模糊逻辑系统的区间二型TSK模糊神经网络系统。本文中主要利用BP算法(误差反向传递学习算法)调试模型中的各项参数,并利用所设计的系统成功解决上证指数预测问题。具体工作如下:研究基于一型TSK模糊逻辑系统和神经网络的一型TSK模糊神经网络系统,利用BP算法调整模型的各项参数,结合上证指数预测应用实例,并运用MATLAB编程进行仿真预测跟踪。仿真跟踪效果及均方根误差值表明,所设计的一型TSK模糊神经网络系统是有效的、可行的,并且性能较比一型模糊逻辑系统和神经网络的性能更佳。研究基于二型TSK模糊逻辑系统和神经网络的区间二型TSK模糊神经网络系统,成功设计了区间二型TSK模糊神经网络系统结构,依然利用BP算法训练调整模型的各项参数,用所设计的区间二型TSK模糊神经网络系统预测上证指数,并运用MATLAB进行仿真预测跟踪。仿真跟踪结果显示,本文所设计出的区间二型TSK模糊神经网络系统是合理的、可行的、有效的。仿真预测跟踪显示图及系统的均方根误差值均表明:当实际问题中存在着不确定性时,区间二型TSK模糊神经网络系统较比一型TSK模糊神经网络、区间二型模糊逻辑系统和神经网络具有更好的控制性能。