现如今,复值神经网络(CVNN)以其能处理复值数据以及在分类方面表现出比实值更强的计算能力的优越性和实用性引起越来越多国内外学者的研究,例如复值BP神经网络、复值径向基神经网络、复值极限学习机、复值递归神经网络等。然而这些成熟的理论均基于传统的神经网络框架进行研究,针对兼具模糊逻辑推理与网络自适应学习的模糊神经网络(FNN)进行复数域推广的理论却相对较少,尤其缺乏对收敛性方面的数学理论分析。因而,本论文将针对模糊神经网络中的典型——Takagi-Sugeno-Kang(TSK)模糊神经网络利用简单实用的分裂复值策略进行复值化,提出分裂复值改编0阶TSK模糊神经网络(SCA0TSKFNN)与分裂复值改编1阶TSK模糊神经网络(SCA1TSKFNN),并基于梯度下降法及自适应动量技术研究它们的学习方法。具体通过将部分参数、输入、输出值规定为复数,构造分裂复值激活函数,对实部、虚部分别求偏导推导学习规则等策略进行实现。另外,本文还给出了算法的弱收敛与强收敛性定理,并采用数值实验与理论分析相结合的方式对其进行验证。经过严格的数学理论证明,本文提出的带有自适应动量的SCA0TSKFNN和SCA1TSKFNN学习算法在满足较为宽松的条件下具有良好的收敛性。在复值XOR分类问题、六个函数的回归实例以及经典的基准分类Sonar数据集上进行仿真的实验结果也验证了相应的收敛定理,并表明加自适应动量的SCA0TSKFNN较无动量与固定动量情况具有更快的收敛速度,SCA1TSKFNN较现有其他方法可以更优秀地解决回归、分类问题,尤其在Sonar数据集上其分类准确性较最优方法的结果提升接近4%。