推理是由一个或几个已知的判断推出一个新的判断的思维形式,其作用是从已知的知识得到未知的知识,特别是可以得到不可能通过感觉经验所掌握的未知知识。模糊推理是推理的一个重要分支,是信息科学中进行模糊信息处理的重要工具,因而模糊推理在计算机科学和控制科学领域受到广泛的关注。自1973年Zadeh提出基于模糊集合理论的模糊推理算法后,人们相继提出了多种模糊推理算法,如E.H.Mamdani教授提出了Mamdani算法等,这些方法在工业自动控制中取得了应用。但是由于模糊系统存在人工干预多,推理速度慢,精度较低的缺点,近年来人们开始运用神经网络来进行模糊推理,这样模糊神经网络便应运而生了。模糊神经网络汇集了神经网络与模糊理论的优点,集学习,联想,识别和信息处理于一体。本文旨在研究一种模糊推理算法能够适用于神经网络中,实现神经网络的模糊推理。现在对于衡量模糊推理方法好坏的唯一标准是该方法是否具有还原性,因此本文先对已有的四种模糊推理算法分别进行分析,并对它们是否满足还原性进行讨论。Zadeh教授的CRI算法不满足还原性；王国俊教授的全蕴涵三I算法和汪培庄教授的真值流推理算法只满足单一规则下的还原性,而不满足多重多维模糊推理的还原性；徐蔚鸿博士的CRIP算法在一定条件下满足模糊推理的还原性。通过研究发现上述四种方法都不能很好的满足还原性。因此本文提出了一种新的方法,通过在全蕴涵三I算法中引入相似度来给每条规则赋予权重,使得全蕴涵三I算法在多重多维模糊推理情形下满足还原性。随后,将这改进算法应用于基于T／S范数的模糊神经元的神经网络中,实现了神经网络的模糊推理。