将模糊控制方法应用于非线性、强耦合、大滞后的复杂系统时，只有制定较完善的模糊控制规则才能取得理想效果。然而，模糊控制规则在常规模糊控制器中需要根据经验预先制定，并且不具备随控制过程而改变的能力。为此，有学者提出了模糊控制规则自调整、自适应、自组织的方法，在控制过程中自动地调整、优化模糊控制规则或相关参数，进而取得理想的控制效果。通常自组织模糊控制通过关系矩阵的求取来实现控制规则的修正，这不但计算繁锁，而且占用大量存储空间，不能较好地满足实时控制的要求。为了解决以上问题，本文主要探讨和研究了加权自组织模糊控制以及自组织模糊神经网络。　　首先，本文探讨并研究了加权自组织模糊控制。通常在使用控制表的模糊控制系统中，控制表中所有的量都是模糊量，控制表本身就是控制规则的一种表示形式，因此可以在控制表中引入加权因子来实现对控制规则修改和完善。为了达到较好的控制效果，本文采用智能权函数算法自动调整加权因子，并对这种控制算法离散论域的设计进行了讨论和改进。将本文方法应用于非线性系统的控制问题，仿真结果表明，本文所提出的方法对于单变量系统以及多变量系统都能较好地适应对象特性的变化，响应速度快，稳态误差较小，控制精度较高。　　在前面工作基础上，本文将神经网络与模糊系统结合，提出了一种自组织模糊神经网络。采用误差反向传播算法与带遗忘因子的递推最小二乘法相结合的混合优化算法，对系统的模糊规则库及其参数进行学习优化，并引入Schwarz-Rissanen信息准则(SRIC)来构建和评价模糊系统。将本文方法应用于非线性系统的辨识与控制问题，分析讨论了该方法中阈值参数取值对系统性能的影响，仿真分析表明，该方法能有效减少模糊规则数，提高系统的泛化能力，进而提高系统控制性能。此外，为了进一步减少系统的模糊规则数目，提高模糊系统的可解释性，本文进一步研究了TSK型自组织模糊神经网络，并进行了仿真验证，仿真结果表明，该方法能够在保证较高控制精度的前提下，有效减少模糊规则数目。