不确定性人工智能是当前人工智能中的研究热点和重大的前沿课题。模糊神经网络是不确定性知识环境下构建非线性系统的重要工具。本文针对模糊联想记忆网络和模糊霍普菲尔德网络的学习算法进行了较深入的研究。主要研究工作包括:（1）利用t-模的伴随蕴涵算子,为基于Max和T_ex合成的模糊联想记忆网络Max- T_ex FAM提供了一种新的学习算法,此处T_ex是由爱因斯坦提出的一种t-模算子。从理论上严格证明了,只要Max- T_ex FAM能完整可靠地存储所给的多个模式对,则这新的学习算法一定能找到使得网络能完整可靠存储这些模式对的所有连接权矩阵的最大者。最后,用实验说明了所提出的学习算法的有效性。（2）提出了一种新的用于模糊霍普菲尔德网络的学习算法。该算法充分利用了输入模式各元素之间的关联信息,在联想过程中,权值矩阵可以根据输入向量的不同,进行动态的调整,利用了更多的已知信息,从而增强了网络对输入模式的适应能力,从而使得网络具有了更好的联想记忆能力,提高了网络的性能。