近年来,Petri网作为一种对离散、异步、并发、并行、非确定和随机等性质的信息处理系统建模分析效能超强的工具被越来越多的海内外专家学者广泛应用和研究。此外,模糊理论在表示不确定信息等方面体现出来的优势而倍受东方专家学者青睐。与此同时,神经网络因为其本身强大的非线性处理能力,一直以来众多关注并且已经成功应用于计算机科学、神经科学以及经济学等领域中。模糊神经Petri网(]Fuzzy Neural Petri nets, FNPN)是将Petri网建模分析处理能力与模糊表示相结合,而后融入神经网络自适应算法而提出的。FNPN汇聚了三个理论各自的优点,模型能够解决某些模型中模糊参数难以确定的难题,使模型更加真切地描述实际系统。但是,其学习能力还是取决于选取的学习算法,如果要获得好的模型需要选用学习收敛速度快、精确度高且震荡小的学习算法。综上所述,优化改进FNPN模型的算法对建立更加理想的模型具有较强的现实意义。针对FNPN学习算法计算精度低、收敛性差及训练过程中网络震荡性较大的问题,本文提出一种优化的FNPN算法。本算法采用两种S型连续函数分别表示变迁使能及变迁点燃后的新标记值,并在传统参数修正公式的基础上考虑修正前的数值进而增加新型的动量项。本文证明了优化后的参数修正算法可以保证FNPN网络的收敛性。在改进算法的应用方面,本文将其应用在近来被广泛研究的故障诊断等系统当中,通过对专家系统和故障诊断系统建立相应的FNPN模型,利用改进前后的算法对模型进行计算,由数据统计图可以对比看出本算法在计算精度、算法效率以及收敛性方面的效果均比传统算法好。