模糊理论和技术是当今学术界的研究热点，本文围绕模糊神经网络和模糊图象处理展开研究，分别对模糊联想记忆(FAM)神经网络和模糊图象噪声消除进行了细致深入的探讨。本论文的主要工作如下： 1)对于Bart Kosko提出的max-min FAM网络模型，针对其学习算法不能确保可靠地存储多个模糊模式对的缺陷，提出了一种新的学习算法——多模糊模式对FAM连接权矩阵的神经网络学习算法，并且给出了相应的理论结果和严格的数学证明，同时通过实验验证了该算法的有效性。该算法成功地解决了多模式对的存储问题，利用该算法可以用尽可能少的连接权矩阵来存储给定的模糊模式对，有效地减少存储空间，提高存储容量，而且容易实现。对于模糊双向联想记忆网络，也给出了连接权矩阵的神经网络学习算法，并讨论了它的容错性。 2)将上述关于max-min神经网络模型的有效算法推广到基于一类最大T-模运算的FAM神经网络模型，并且给出了相应的理论结果和严格的数学证明。因为FAM网络内部算子不同，FAM系统的用途和效果也不同，所以该算法大大地扩展了FAM的适用范围。 3)在文献[122]的基础上，设计了一种新的滤波器--模糊检测加权均值(Fuzzy Detection Weighted Mean，简记为FDWM)滤波器。首先以盐椒噪声图象的直方图为基础，建立模糊隶属函数，然后进行了算法设计，结合新的检测算法进行噪声消除，提出了一种非常有效的盐椒噪声消除算法—FDWM算法，并分析了该算法的原理，而且做了大量的实验。实验结果表明，FDWM滤波器的去噪效果远远优于常规算法，而且性能稳定，适合于处理各种噪声率的盐椒噪声图象。特别是当噪声率超过50％时，FDWM滤波器的优越性更加突出，无论其主观视觉效果还是其峰值信噪比或均方误差都表明了这一点。 4)在上述FDWM算法的基础上，提出了基于模糊中值滤波(Fuzzy MedianFilter，FDF)的FDWM滤波器—FDF_FDWM滤波器。虽然上述FDWM滤波器可以有效地消除盐椒噪声，但它不适合于消除图象的随机噪声。为此，本文首先提出迭代模糊中值滤波(Iterative Fuzzy Median Filter，IFMF)算法，然后利用IFMF