模糊系统善于表达人的经验性知识，可以处理模糊的信息；但模糊系统的规则集和隶属函数等设计参数只能靠经验来选择，很难自动设计和调整。用神经网络来构造模糊系统，就可以利用神经网络的学习方法，根据输入输出的样本来自动设计和调整模糊系统的设计参数，实现模糊系统的自学习和自适应功能。模糊神经网络(FNN)结合了模糊逻辑与神经网络各自的长处并弥补其不足，成为智能模：拟领域中一种重要的技术与方法，在通信、自动控制和信号处理等领域获得了广泛的应用。模糊推理网络(FIN)和模糊联想记忆网络(FAM)是两种最重要的FNN模型。设计FIN的学习算法使之能够应用于在线的控制系统是该领域研究的难点。本文试图对现有的FIN的学习算法进行分析、改进，取得了一些成果。FAM的性质和学习算法是FNN领域的研究热点。然而，目前在FAM方面所取得的成果几乎都是相对于最大-最小FAM这一模型的，而这只是实际中的一小类FNN模型，其成果的应用必然十分有限。所以，将最大-最小FAM模型推广就变得十分有意义。本文系统地分析了最大-最小与最大-乘积FAM网络的收敛性、容错性和记忆容量等问题，提出了一些改进算法，并将其结果推广到最大-T模FAM网络。具体工作如下： ·模糊推理网络 模糊聚类算法在FIN的结构辨识中发挥了重要的作用。针对模糊C-均值算法对初始值极为敏感，容易陷入局部极小点，提出一种遗传+模糊C-均值的混合聚类算法，证明了这种混合聚类算法能以概率收敛到全局最优解。 传统的FIN的结构学习与参数学习是分开实行的。这样就需要预先收集大量的数据，而且结构学习与参数学习分开进行往往使学习的时间过长，而不适用于在线的控制系统。本文提出一种自适应模糊神经推理网络(ANFIN)模型，并给出其结构学习与参数学习的两阶段混合学习算法，新算法提高了ANFIN的预测精度和学习速度，使之可应用于在线的ATM业务量预测。 ·模糊联想记忆网络 模糊δ规则算法是一种不需要求导的迭代算法，但它不能可靠地收敛到模糊