模糊神经网络是一种可处理模糊信息的神经网络,它取模糊逻辑和神经网络之所长进行了融合。模糊最小最大神经网络是一种由大量交互式连接的神经元组成的模糊神经网络,具有在线学习的优势,但其依旧存在如下问题:（1）超盒的产生对样本输入顺序依赖性强;（2）网络复杂度受扩展参数影响;（3）单层结构误差率高;（4）收缩规则消除超盒范围大。本文提出的三种模型克服了这些缺陷,主要贡献如下:1.提出密度排序卷积模糊最小最大神经网络。在模糊最小最大神经网络的操作之前,提出了一步基于密度对样本进行排序的操作,这一操作降低了样本输入顺序在超盒训练过程中带来的影响。然后,将改进模型与卷积神经网络相结合,用改进模型替换卷积神经网络中的分类部分,使卷积神经网络拥有了在线学习能力,在提高分类精度的同时降低了训练时间。2.提出自适应模糊最小最大神经网络。该模型从结构上进行了修改,使用了深层结构来进行训练,采用一种自顶向下的方式对超盒进行划分。在初始化步骤中,将全部样本所在的范围当作一个超盒,解决了超盒创建依赖样本输入顺序这一问题。其次,进行多次分割操作,将超盒依照样本类别进行切割,逐步细化超盒集。这一超盒划分方式不需要扩展参数的参与,降低了网络复杂度,且提高了分类精度。3.提出自演化模糊最小最大神经网络。该模型使用了一种自底向上的方式,以多层的结构使超盒通过合并来生成最终超盒集。提出了一种自定义边长参数用以直接对初始超盒进行构建,消除了超盒构建过程中样本输入顺序带来的影响。通过多层优化操作,将超盒进行融合,使之到达更佳的性能,同时降低了网络复杂度。