模糊神经网络(FNN)是智能控制理论中一个十分活跃的分支，它是人工神经网络与模糊逻辑系统的有机结合，发挥了神经网络的学习功能和模糊系统处理模糊知识的能力。模糊神经网络是一种能处理抽象信息的网络结构，具有强大的自学习和自整定功能。 本文详细阐述了模糊神经网络的产生和发展、模糊神经网络的结构特点、参数学习算法、结构优化算法、以及模糊神经网络在控制领域的应用。针对模糊神经网络结构确定困难和模糊神经网络在模糊分割细，输入维数大时网络结构庞大，学习速度降低，提出一种变结构模糊神经网络。在对模糊神经网络的参数学习算法总结归纳和性能分析的基础上，依据所研究的变结构模糊神经网络的结构特点，提出了参数混合学习算法。针对非线性参数采用共轭梯度算法，同时为了避免学习率的选择不当，采用了自适应调整学习率的方法；而对线性参数采用递推最小二乘算法，有效解决了最小二乘法运算量和存储量大的问题，从而加快了网络的学习速度。本文综合考虑剪枝法和增长法的优缺点，将剪枝法和增长法联合运用，提出一种改进的模糊神经网络结构优化的算法，有效地解决了网络构建难的问题。 针对以上结果，将变结构模糊神经网络用于内模控制和PID自整定控制中，并进行了理论探讨和仿真实验，并分别对这两种控制方案的跟踪性能、抗干扰能力和鲁棒性能进行了分析。最后以连续搅拌反应釜(CSTR)为控制实例，应用基于变结构模糊神经网络的内模控制策略，并与PID控制方案进行了对比，仿真取得了较满意的结果，并对仿真结果进行了分析。