人工神经网络具有并行计算，分布式信息处理，容错能力强的优点，由于它不依赖于数学模型，并具备自适应学习功能，使其成为最重要的一种非线性映射。但是，人工神经网络也有缺陷，如不能处理分类不清数据，无法追踪编码的推理过程等。 未确知集合是基于拓扑空间概念的一种不确定性集合，基于未确知集合的未确知系统理论与方法是一种处理不确定性信息的数学工具，它具有严谨的推理逻辑，在推理时不造成新的信息损失。但是它也有不足，如自身并不具有学习功能。 文中论述了未确知系统理论与方法和人工神经网络技术相结合的理论基础，说明了二者之间具有极强的互补性。本论文将未确知系统方法与人工神经网络技术相结合，建立一种称之为未确知神经网络的不确定性网络。所谓不确定性是指它的期望输出不是“非0即1”的两个逻辑值，而是集合的期望输出隶属度，需根据输入数据提供的分类信息具体计算。未确知网络不仅具有普通人工神经网络的优点，同时克服了普通神经网络存在的不足。 本论文详细的论述了未确知BP网络和未确知RBF网络，具体描述了各自期望输出的计算方法。在计算中，定义的未确知特征分类权重概念起关键基础性的作用。在VB语言环境下，描述了未确知神经网络的程序实现，并将其应用到故障诊断和管理领域中。