随着计算机科学技术的飞速发展，人工智能在目标识别领域的应用显现出强大的生命力。模糊神经网络作为人工智能的分支，具备模糊系统和神经网络的优点，具有表达和处理确定信息以及模糊信息的能力、良好的学习能力等特点。因此模糊神经网络在目标识别中有着广泛的应用。本文首先介绍了模糊逻辑理论及模糊神经网络理论，并基于Takagi-Sugeno（T-S）模糊神经网络结构，对声音特征信号数据进行仿真实验，在针对其误识别数据进行研究时发现，存在一组模糊度较高的数据，其特点为类间距离接近。因此，本文提出了一种普遍适用的改进模糊神经网络的学习算法，对学习率和参数更新进行了改进，达到了对类间距离接近数据的准确识别。分别采用声音特征数据和肿瘤细胞数据对改进算法进行了验证，在与原始算法的比较中，识别率提高了近百分之十。其次，对原始模糊神经网络模型中输出的非模糊化进行分析，并对类间距离接近数据进行进一步的研究，提出将输出结果用模糊化表示的方法，并在此基础上建立一种新型的模糊神经网络模型--多模糊输入多模糊输出（MFIMFO）模型。在与原始网络模型的对比中，识别率都有显著提高，尤其对声音信号特征，平均识别率从原始网络的百分之七十多提高到新型网络的百分之九十左右。最后，在模糊神经网络实际应用中，对MSTAR中SAR图像目标识别，采用不变矩、灰度和纹理的特征向量进行分类识别，普通模糊神经网络会因特征向量数据中存在类间距离接近的数据无法达到较好的识别效果。因此，基于新型模糊神经网络，构建SAR图像识别的网络结构，采用改进的学习算法，并对隶属度函数的选取进行了分析，得到合适的隶属度函数，进行仿真实验。在对新型网络的仿真结果进行分析时发现，新型网络对类间距离接近的数据的处理能力明显高于原始网络。相对应的整体识别率提高了约百分之七，证明了新型网络模型在SAR图像识别中的有效性。