随着时代的发展科技的进步被控对象变得越来越复杂，其过程机理有许多不明之处，致使基于数学模型的传统控制方法难以奏效，模糊逻辑控制、神经网络控制是解决这些问题的有效途径。二者都是基于无模型的智能控制，可用来处理不确定性的复杂系统，但模糊控制无法自动调整隶属函数及模糊控制规则；神经网络虽然具有自学习能力，但其内部机理不很明确知识表达困难。 本论文提出了基于神经网络的模糊逻辑控制，它汇集了模糊逻辑与神经网络各自的优点，集学习、联想、自适应于一体。由于传统的神经网络学习算法存在学习周期长、收敛速度慢等缺陷，本文用改进的遗传算法优化调整模糊规则，获得模糊隶属函数的初始参数值，将优化所得参数作为模糊神经网络的初始权值，针对模糊神经网络控制器的结构特点，用模糊遗传算法训练优化网络权重，得到的复合智能控制器具有很好的特性。 将基于遗传算法的模糊神经网络控制器用于单级倒立摆系统，仿真结果表明，新型的复合控制器比传统的模糊控制器具有响应速度快、鲁棒性强等优点。