模糊系统理论为处理不确定性信息提供了一种方法；神经网络常用于非线性映射的逼近；模糊神经网络吸收了模糊系统和神经网络二者的优点，是一种常用的处理非线性问题的有力工具，它的学习算法是其理论与应用研究中最关键的一个方面，由于结构学习通常可以转化为参数学习，故模糊神经网络的参数学习问题是一个非常值得研究的课题。本文首先分析了模糊神经网络，遗传算法，以及非线性系统建模和自适应滤波的发展和现状。在介绍模糊系统，神经网络的原理及模糊神经网络的结构和学习算法，阐述遗传算法的流程、基本原理的基础上，对模糊神经网络以及遗传算法的不足进行了归类与总结。提出了一种改进策略的遗传算法，即混合编码，交叉与变异并行处理，自适应交叉和动态变异，引入移民机制以及在遗传算法中加入BP算子等。采用这种改进的遗传算法调节模糊神经网络的参数，并应用于非线性系统建模和自适应滤波中，通过与神经网络和模糊系统在这两方面应用的仿真对比，验证了该方法的有效性和优越性。