在控制领域研究中,智能控制是当前的研究热点,是控制理论发展的高级阶段。随着科技的进步与工业生产技术的不断发展和完善,对被控对象的控制精度要求越来越高。在实际的工业过程中,过程对象存在的主要问题有:多变量、时变性、强耦合、人们可获知的信息量较少等。这对复杂的非线性系统建模带来难题,因此需要寻找到有效的方法来解决这些问题。本文所研究的非线性系统模糊建模理论可以很好的解决上述问题,并为提高模糊模型的精度以及模糊系统的可解释性,对以往的模糊建模方法提出了几点改进。论文主要从理论算法改进和实际对象应用两个方面开展了研究工作。模糊模型的结构辨识的研究包括输入变量的选择、隶属函数数量的决定和规则的提取、输入空间的模糊划分等。提出模糊蚁群聚类算法弥补传统聚类方法中存在的局部极小和中心冗余问题;对于T-S模糊模型的后件参数,采用递推最小二乘法实现模糊模型参数的辨识;最后将模糊系统与神经网络结合形成神经模糊推理网络系统,此系统具有自学习能力,从而不断优化和调整T-S模糊模型参数,使模糊模型的输出能够逼近实际系统。在模糊建模方法验证上,采用著名的煤气炉数据进行模糊建模和仿真实验,得出模糊建模方法的可行性论证。在实际应用中选择二阶水箱为建模对象,采用本文所研究的方法进行模糊建模,通过仿真实验,验证了建模方法的有效性。