近年来,基于神经网络与模糊逻辑的神经模糊建模已经被用于将专家领域知识转化为计算机表达的知识建模,其中最突出的方法是Jang于1993年提出的自适应神经模糊建模(ANFIS)方法。一般应用ANFIS建模的数据都是清洁的或者假定清洁的,如果数据是清洁的,可能比较容易达到满意的结果;但是如果数据是不清洁的,即含有异常数据,那么它们必然对ANFIS建模产生不利影响。本文所做的工作是对蓄电池剩余电量数据和飞机油箱剩余油量数据进行异常数据检测并应用ANFIS建模。首先对异常数据的定义及常用异常数据检测方法做了综述,举例阐述了分析异常数据的意义,分析了现有异常检测算法的优点和不足。然后通过一个函数逼近实例分析了异常数据存在对ANFIS建模的不利影响,包括建模精度和模型结构的对比说明。接着,提出了两种基于传统方法的改进算法和针对以上两个实例数据特征的偏最小二乘检测法和主成分分析检测法。其中,详细说明了主成分分析法与偏最小二乘法的检测原理和步骤。最后,文章对两个建模实例进行了详细分析,对比了异常数据存在与否对两个模型精度和结构的影响和应用上述四种异常数据检测方法效果。结果证明了主成分分析法和偏最小二乘法是针对这两类数据集的最有效的异常检测算法。本文的创新点在于分析了异常数据对ANFIS建模的影响,采用了主成分分析和偏最小二乘这两种有效的异常检测算法,这两种方法能够在多变量并且变量相关的情况下,准确找出异常数据。