针对目前过程工业对于实时控制的要求，本文提出了改进的模糊神经网络（FNN）并将其引入到智能过程控制。 本文采用多层前向神经网络来表达Sugeno的Takagi-Sugeno模糊推理形式，并针对各层网络参数的特点，采用分层优化的策略：用最小二乘方法调整网络线性参数，用基于梯度的最速下降法以及BFGS变尺度算法来调整非线性参数，极大地提高了网络的收敛速度，使其得以实现工业的在线应用。为避免因η选择不当引起的系统不稳定的情况，采用自适应调整学习率的方法。在非线性系统的辨识与控制应用中，验证了所提的模糊神经网络，不但能成功地解决了神经网络一直以来因其收敛速度缓慢而无法实时应用的问题，而且增强了模糊控制在工业应用中的鲁棒性和自适应性。为检验所提的方案，我们对化工过程中具有典型非线性特性的连续反应槽搅拌器（CSTR）进行仿真，结果表明了此方法的有效性。