当今,智能控制的研究领域的主要热点之一为模糊神经网络。而模糊神经网络将模糊技术与神经网络的优点集于一身,包括自学习、自适应、联想及模糊信息处理。它具有神经网络的学习能力,是网络自适应能力增强,同时利用现有的专家知识,使其拥有很强的推理能力。通过结合他们的优势,显著增强了系统的学习和表达能力。自适应是模糊神经网络具有的优势,然而输入数据的特征在一定程度上制约了模糊神经神经网络控制系统的结构和性能。对于结构简单的控制系统,遇到输入数据量很大、维数较高,则往往会造成训练的时间很长,而且不能取得很好的收敛性,甚至不能收敛。而在输入数据量较小、维数不高的情况下,采用结构复杂的控制系统,则会导致运算速度相对过长,且收敛速度较慢。这两种情况的出现都会影响系统的整体性能。针对上述问题,本文在深入研究了模糊神经网络的结构及参数学习算法的基础上,根据输入数据量特点及系统对性能的要求,采用相应的对策。在输入数据量较少及系统对收敛性和精度要求不是很高的情况下,利用神经网络结构简单的优势,提出了一种模糊BP神经网络模型,充分考虑了BP算法过分依赖于网络的初始值的问题,对输入数据进行了模糊量化处理,继而应用于BP神经网络模型。同时对输入维数较大,收敛速度要求快及精度要求较高的情况,利用聚类算法优化输入空间的优点,给出一种基于减法聚类和模糊C均值聚类的模糊神经网络,通过两次聚类对复杂数据进行处理,再将处理后的数据应用于神经网络模型。针对上述建立的结构模型,选择不同的控制对象样本数据对其进行了仿真实验,通过仿真结果显示了该方法的可行性和有效性。