模糊性是客观世界中某些事物本身所具有的一种不确定性，它与随机性有着本质的区别。有明确定义但不一定出现的事件中包含的不确定性称为随机性，它不因人的主观意识变化，由事物本身的因果规律决定，而已经出现但难以给出精确定义的事件中包含的不确定性称为模糊性。扎德教授于1965年提出了模糊集合的理论，开创了模糊数学这一新兴的数学分支，从而对模糊性的定量描述与处理提供了一种新途径。自从模糊集合理论引入以来，模糊性研究一直是研究的热点。模糊技术以其独特的特性已经渗透到各个领域。本文就是就是研究有关模糊神经网络和模糊系统的有关问题。分成两个部分： (1)总结AlbusCMAC神经网络与经典的FCMAC神经网络的优缺点，在此基础上，提出了一种基于模糊系统的新型CMAC神经网络(FuCMAC)，该神经网络与AlbusCMAC相比，它不需要对输入分量进行量化，而且能够根据实际问题的性质来初始化网络参数，有利于提高网络的收敛速度。与经典的FCMAC相比，它的逼近精度更高，能够解决CMAC系列网络逼近精度不高的弱点，大量理论仿真实验也证明了它的这一特性。在理论试验充分证明其正确的基础上，将其应用到地效翼船-水橇缓冲系统项目。 (2)针对张化光等人提出的广义模糊双曲正切模型(GFHM)规则基不可解释性的缺点，提出了一种高解释性的改进的广义模糊双曲正切模型(I2GFHM)，证明了此模型的模糊规则基的每一条规则的后件是此模型输出在相应的规则中心的Taylor级数的一阶展开，并采用Stone-Weierstrass定理证明了此模型可以逼进定义在紧集上的任意连续实函数，具有全局逼近性，可以用于复杂系统的建模。给出了此模型的训练算法，仿真结果表明了该模型逼近精度也得到了一定的提高。