模糊神经网络结合了神经网络系统和模糊系统的长处，它在处理非线性、模糊性等问题上有很大的优越性，在智能信息处理方面存在巨大的潜力；使得越来越多的专家学者投入到这个领域中来，并做出了卓有成效的研究成果。但是，对模糊神经网络的研究，大都是基于算法的创新、改进和完善，少有综述性的文献对它进行概述，使初接触这一领域的人往往无所适从，很难在短时间内理解模糊神经网络的概念，也很难实际应用它。作者在阅读了大量文献的基础上，对各种相关理论知识进行整理、归纳和研究，旨在对模糊神经网络做一个系统的概述和一些初步的探索。 本文实际上由两部分组成：第一部分是对模糊神经网络的概述；第二部分是一种算法的提出及其实观过程。 模糊神经网络是一个较新的概念，文章从神经网络系统与模糊系统的历史论述到它的起源与发展，论证了它产生的可能性与必要性，并简要介绍了国内外模糊逻辑神经网络软件硬件。在模糊神经元概念的基础上，定义了模糊神经网络；从函数映射角度上，讨论了神经网络系统和模糊系统的函数逼近能力；二者都能以任意精度逼近任何连续实函数；对理论成熟的算法和模型，作了简洁的介绍。针对模糊神经网终实观时的具体问题，对网终的学习能力、容量、结构分布等细节逆行了探讨。 本文提出了一种模糊神经网络的二步混合算法：第一步，采用模糊推理系统结合遗传算法根据训练样本确定隶属函数的参数，通过遗传算法搜索定义域范围内的参数最优解。文中选用S-T模型作为模糊推理系统中的推理模型。第二步，确定网络结构，根据训练样本采用BP算法训练网络，调整网络权值和偏差，为了避免局部最小观象和加快网络收敛速度，选用加动量因子变学习率的改进BP算法为训练算法。 为了更广泛地应用遗传算法，文中用C++,实现了通用遗传算法类库，在实观过程中结合使用了类模板，抽象类等技术。该类库支持一维和多维函数的最优化。对多维函数可以采用统一长度的或者各维长度不同的基因；支持固定和可变变异率，支持固定迭代代数结束迭代和满足一定条件结束迭代。 作者用MATLAB的Fuzzy Toolbox及NNetToolbox实现了算法，仿真结果表明，该算法效率高、收敛速度快、模型精度高。