基于模糊神经网络的自适应Wiener滤波器是一种可以利用存储信息进行模糊推理运算的自适应滤波器。 为了得到性能最佳的模糊神经网络自适应Wiener滤波器，首先要确定模糊规则，并通过对变量进行模糊子空间的划分来确定网络结构；其次要选择隶属度函数、进行层的定义并且利用自适应学习算法对网络进行训练；然后反复调试使训练误差达到最小；最后再利用专家经验对滤波器的联接权值、隶属度函数的中心点和边界值进行必要的修正。 基于Wiener滤波原理，分别实现了基于递归最小二乘法的有限冲击响应自适应滤波器、自适应线性神经网络滤波器和基于Takagi-Sugeno型模糊神经网络的自适应滤波器，并在不利用专家经验进行修正的情况下对它们进行了仿真比较。 结果表明，模糊神经网络自适应Wiener滤波器在没有利用任何语言信息的情况下，仍然体现出了良好的性能：用于信号滤波时，收敛速度快，误差最小；用于信道均衡时，跟踪效果最好，环境适应能力最强。因此，该模糊神经网络自适应Wiener滤波器的结构设计合理，样本集合选取得当，训练方式和算法科学。 模糊神经网络自适应’Wiener滤波器不但对训练样本、训练次数的要求较低，而且还可以在训练时完成算法的优化，同时能够成功地工作在线性因果方式，无需进行大量的迭代运算，具有思维推理能力，是一种精度高、速度快、易于实现的智能型自适应滤波器。