现代科技的飞速进步，促使控制理论向着更加复杂和更加严密的方向发展。模糊控制，神经网络控制由于其强非线性和不需要建立对象数学模型等特点而受到了人们广泛的关注。模糊系统善于表达知识，推理类似于人的思维，但其过于依赖于人的主观因素，缺乏学习和适应的能力；神经网络结构可变，具有较强的自组织、自学习的能力，但是其不具有结构性知识表达能力，网络参数缺乏物理意义，且其学习过程中易于陷入局部极值。所以为了吸取二者的特点而将两者结合就成了一种必然的趋势。 T-S模型是一种新颖的模糊推理模型，它以线性局域方程取代了一般推理过程中的常数，因此可以用少量的模糊规则生成较复杂的非线性函数。但是由于结论参数是线性函数而非模糊数，所以规则不能直接从专家经验和操作数据中直接得到，必须通过一定的算法进行提炼。因此模型参数的辨识成为建立 T-S型模糊系统的主要问题。构建T-S模糊神经网络则可以很好的解决这个问题。但是这种模型并未从本质上改进系统输入空间难以优化，规则提取困难，系统结构必须事先加以指定的缺点，因而大大的限制了它的应用和发展。本文试图解决这个问题。将聚类算法引入T-S模糊神经网络，利用聚类算法来提取系统特征，优化输入空间，从而生成自适应的系统模型。本文首先分析比较了几种典型的聚类算法，并对其存在的缺陷加以改进。由于最近邻算法方法简单，错误率低，从简化模型，减少系统计算量和提高实时响应能力的观点出发，本文以它来构建系统，充分考虑了样本输出对系统的作用，将无导师的学习算法与基于梯度的信息寻优算法相结合，并根据数据分布的密度自适应的调整聚类点的分布情况。给出了基于该算法的T-S模糊神经网络实现。该系统能够依照聚类结果自适应的生成规则数目和确定系统结构，设定初始值，并利用BP算法对参数加以修正。以函数逼近为例说明新算法在自适应能力，建模精度及计算量等方面均优于原算法。最后本文对T-S模糊系统的稳定性进行了分析。