论文在目前关于神经网络、模糊逻辑、遗传算法三种计算智能相互结合的研究基础上，提出了一种基于遗传原理的二阶段神经网络综合进化算法。 此算法在对神经网络的连接权训练的同时，应用二阶段优化策略对各神经元激励函数进行选择，并对其参数进行优化学习。论文采用三层前向网络来对PH值CSTR系统进行仿真研究，利用遗传算法的进化能力寻找网络中S型函数和RBF函数的最优组合，并同时调节连接权和激励函数的参数，仿真结果表明，具有优化组合激励函数的神经网络较之固定激励函数的神经网络在训练和测试精度上都有较大的提高，并表现出更好的泛化能力。 论文还针对实际对象的特性大都是不对称的现象，研究了模糊神经网络隶属度函数的改进问题，提出采用不对称高斯函数来替代高斯函数以改进模糊神经网络性能的方法，并引入遗传算法来对模糊推理层与清晰化层之间的连接权，以及模糊化层的隶属度函数(不对称高斯函数)的中心点C和左右半径σ1、σ2同时进行学习。仿真结果显示，具有不对称隶属函数的模糊神经网络较之普通模糊神经网络具有更高的精度。 研究表明，神经网络中的激励函数和模糊神经网络中的隶属度函数与仿真对象的非线性特征有着密切的关系，它们的选择，组合，改进对网络的性能有显著的影响，是研究神经网络理论的一个重要方面。