现代科技的飞速进步促使控制理论向着更复杂，严密的方向发展.这其中模糊控制和神经网络(NN)控制由于其非线性和不依赖对象的数学模型等特点倍受人们的关注.模糊系统善于表达知识，推理类似于人的思维，但过于依赖人的主观因素，缺乏学习和适应的能力；神经网络结构可变，具有较强的自组织，自学习的能力，但是不具有结构性知识表达能力，网络参数缺乏物理意义，且在学习过程中易陷入局部极值，所以将二者的特点结合起来就成了一种必然的趋势. 模糊神经网络(FNN)就是模糊理论和神经网络有机结合的产物.FNN综合了模糊理论与神经网络的优点，是一种既具有学习，联想，自适应性，又能进行模糊推理的新型结构.它是由一些称为模糊神经元的基本单元按一定的规则形成的网络.FNN的理论，结构，学习算法和应用技术一直是计算机领域重要的研究课题，并以它特有的优势受到高度的重视.该文对FNN的以下方面进行了分析和研究： 1.对人工神经网络的研究现状，发展趋势及应用领域进行了综述，阐述了模糊数学，人工神经网络及模糊神经网络的基本概念，网络结构，学习算法；并分析和对比了模糊系统与神经网络的优点和缺点； 2.由于传统神经网络有非常好的信息处理能力，它已经广泛应用于解决分类问题.本文研究的是带阈值的模糊感知器用来解决分类问题的能力.针对带阈值模糊感知器的学习算法，本文证明了当训练样本可分时，若样本的维数是2，该算法完全收敛；若样本的维数大于2，在更强的条件下，算法有限收敛； 3.分别利用带阈值和不带阈值的模糊感知器对五组训练样本进行分类.数值试验结果表明：在相同的试验条件下，带阈值模糊感知器算法有限收敛，并且与不带阈值的模糊感知器算法相比，收敛速度在多数情况下加快.这说明模糊感知器加入阈值后，在数值试验中可以节省时间，便于实际应用.