非线性系统辨识一直是信号处理和控制理论的研究热点和难点。模糊RBF (Radial Basis Function, RBF)神经网络结合了RBF神经网络和模糊推理的优点,具有强大的数据处理能力和非线性映射能力。但是梯度下降算法存在着收敛速度慢、易陷入局部最优等问题。结合几种智能进化算法,寻求辨识效果更好的训练算法是本文的主要研究内容。针对梯度下降算法存在的问题,采用几种智能进化算法对模糊RBF神经网络进行训练。为了对比不同智能进化算法辨识效果的优劣,本文分别将遗传算法(Genetic Algorithm, GA)、差分进化算法(Differential Evolution, DE)和粒子群算法(Particle Swarm Optimization, PSO)用于模糊RBF神经网络非线性系统辨识。仿真结果表明,三种算法中,粒子群算法具有较优的辨识效果,其次为差分进化算法。为了克服差分进化算法搜索停滞等缺陷,采用一种基于Memetic算法思想的改进差分进化算法(Chaotic Differential Evolution, C-DE)对模糊RBF神经网络进行训练,该算法利用混沌局部搜索和参数自适应策略分别对差分进化算法的个体进行扰动和参数调节,增强了算法的全局搜索能力和自适应能力。仿真表明,基于C-DE算法的模糊RBF神经网络具有比粒子群算法和差分进化算法更优的辨识效果。为了进一步改善系统的辨识效果,将粒子群算法、差分进化算法和混沌局部搜索有机结合,提出一种基于混沌搜索的差分进化算法与粒子群的混合算法(Chaotic Particle Swarm Optimization&Differential Evolution, C-PSODE),该算法利用差分进化算法对粒子群算法的个体最优进行优化,并更新群体最优,当算法出现搜索停止时,利用混沌搜索对群体最优进行局部搜索,不仅提高了整个算法的全局搜索能力,而且增强了算法的局部搜索能力。将C-PSODE算法用于模糊RBF神经网络非线性系统辨识并进行了仿真分析,结果表明了C-PSODE算法训练的网络具有更好的辨识效果。