不确定性普遍存在于主观和客观世界中,模糊性是最重要的不确定性形式之一,对不确定性问题的研究是当前人工智能的研究热点和重大的前沿课题之一。模糊神经网络作为处理不确定性问题的重要工具,是人工神经网络和模糊逻辑系统的必然的互补式的结合,能对人脑的生物结构和功能以及信息处理的过程和特点进行综合模拟。在构建模糊神经网络系统时,为系统预先准备的训练模式对通常会有误差(摄动)。这种摄动可能对后续处理产生多方面的副作用,当神经网络的拓扑结构一定时,它的性能就由网络系统的学习算法所决定。为此本文主要进行了以下两个方面的研究:(1)研究了训练模式对摄动对模糊双向联想记忆网络的影响及其控制,在此研究中,首先提出了一般性的模糊神经网络对训练模式对摄动的鲁棒性这一通用性概念,给出了相关定义和定理,并发现FBAM采用模糊赫布学习算法时,鲁棒性好,而采用新近提出的另一学习算法时,鲁棒性差。并为后一种学习算法提供了一种训练模式对摄动的控制方法,来保证FBAM的这种鲁棒性较好。最后用FBAM在图像联想方面的实验验证了本文的一些理论结果。这部分的工作对FBAM系统的性能分析、学习算法的选择和模式对获取过程的指导有一定意义。(2)为新近提出的基于T-模的模糊Hopfield网络提出的一种通用学习算法,在此研究中,充分利用了T-模的伴随蕴含算子的性质以及模糊幂矩阵序列的收敛性质,从理论上严格证明了,当T是左连续的T-模时,对任意给定的模式集合,新提出的学习算法总能找到使该模式集合成为max-T的模糊Hopfield网络的平衡点集合的所有连接权矩阵中的最大者。该最大矩阵在max-T合成下具有幂等性质,能使max-T的模糊Hopfield网络对任意输入在一步内进入稳定态。最后通过实例验证了所得到的结论。这部分工作为max-T的模糊Hopfield网络的性能分析及实际应用打下了必要的基础。