多层模糊最小最大神经网络是一种结合集成学习方法和多项式神经网络结构改进的模糊最小最大神经网络。模糊最小最大神经网络是一种经典的模糊神经网络,在处理分类问题时会展现出不错的性能,但仍然存在一些局限性:（1）模糊最小最大神经网络的训练过程对样本的输入顺序十分敏感。（2）模糊最小最大神经网络的训练过程中存在人为设定的参数,对训练结果影响较大。本文提出多层模糊最小最大神经网络针对这些缺点进行改进,主要的创新点包括一下几个方面:1.提出了集成模糊最小最大神经网络。集成模糊最小最大神经网络是基于经典的集成学习方法中的Bagging技术构建的五层结构神经网络。其中,包含两种新的神经元,分别是模糊最小最大神经元和投票神经元,它们分别构成了模型的第三层和第四层。模糊最小最大神经元就可以理解成一个典型的模糊最小最大神经网络,而投票神经元是基于投票机制构造的。与传统的模糊最小最大神经网络相比,集成模糊最小最大神经网络具有更好的分类性能,可以有效地克服对数据的输入顺序敏感的问题。2.提出了多层模糊最小最大神经网络。这是一种基于多层结构的神经网络,其多层结构借鉴了多项式神经网络的拓扑结构。在此基础上,本文提出了基于自助采样法的多层模糊最小最大神经网络（BS-FMPNN）和基于Bagging技术的模糊最小最大神经网络（BT-FMPNN）两种多层结构。在这两种结构中包含了三种模糊最小最大神经元（即自助采样模糊最小最大神经元、超盒模糊最小最大神经元和集成模糊最小最大神经元）和两种分类神经元（超盒分类神经元和集成分类神经元）。本文研究了多项式神经网络结构和模糊最小最大神经网络相结合,并展现了这两种模型的优点。3.提出了粒子群优化的多层模糊最小最大神经网络。多层模糊最小最大神经网络在构造时,有两个参数的设置十分关键,能直接影响模型训练的结果。因此,本文使用粒子群优化算法对多层模糊最小最大神经网络进行优化。粒子之间通过相互交换信息进行群体优化,确定更合适的参数,找到更优的多层模糊最小最大神经网络模型。