不确定性人工智能是当前人工智能中的研究热点和重大的前沿课题。模糊神经网络是不确定性知识环境下构建非线性系统的重要工具。近来提出的基于模糊取大(Max)和三角模中的T模构建的模糊Hopfield网络簇(Max-T FHNN)模型拥有很多好的性质,然而其对训练模式摄动的鲁棒性及其应用尚未研究。为此本文主要进行了以下两个方面的研究:(1)理论研究。在构建模糊神经网络系统时,通常作为先验知识的训练模式会有摄动。这种摄动表现为实际使用的训练模式和现实中真实的模式或最理想的模式有小副误差。这种误差可能对后续处理产生多方面的副作用。本文首先提出了Max-T FHNN对训练模式摄动的鲁棒性这一概念,然后结合新近为Max-T FHNN提出的通用学习算法,研究了训练模式摄动对Max-T FHNN的影响。证明了,当T取Godel模时,Max-T FHNN对训练模式摄动的鲁棒性不好。进一步发现当T模及其伴随蕴含算子满足Lipschitz条件时,若Max-T FHNN采用通用学习算法,则该鲁棒性好。接着用Max-T FHNN在图像联想方面的实验证实了本文的一些理论结果。这部分工作对Max-T FHNN系统的性能分析、T-模算子的选择和训练模式的获取有一定的指导意义。(2)应用研究。在很多模式识别采样过程中,因环境噪声或设备的精度的影响,往往导致采集的数据与真实值有一定偏差,这种偏差直接影响模式识别系统的识别效果。本文首次研究了Max-T FHNN模型的实际应用,使用该模型并结合其他模式识别技术,提出了一种应用于智能化交通管理的车型识别方法。实验证实了相对于其他车型识别方法,该方法在待测样本含有噪声的情况下能得到更好的识别率。