特征选择是模式识别系统中的关键问题。近年来,将人工神经网络用于特征选择是一个热点。学者们假设,通过分析良好学习的人工神经网络,可以推论出各个特征或各个特征子集的重要程度。一部分学者是通过构造人工神经网络的权值的函数来度量特征的重要程度,一部分学者是通过度量网络对于输入变化的显著性或敏感性来衡量特征的重要程度。还有一些学者将模糊集理论和人工神经网络结合起来提出新的特征选择技术。针对前人方法中的问题,特别是针对基于模糊理论的算法中特征选择结果依赖于隶属度函数参数初始值等问题,本文提出了两种基于模糊集理论和人工神经网络的特征选择技术。两种方法都通过自适应隶属度函数将数据从原始特征空间映射到模糊特征空间,使得新特征可以更好的用以分类,同时起到数据归一化的效果。第一种基于神经模糊网络——一种具有自学习能力的模糊推理系统,该网络的第二层是自适应的模糊映射层,其隶属度函数的参数是自适应的。第二种基于自适应隶属度函数的多层感知器,是对前一种方法的近似。此方法克服了前一种方法难以处理高维数据的困难。本论文提出的两种特征选择方法的优点是:1)模糊隶属度函数的参数是自适应的; 2)特征度量准则计算简单、意义明确; 3)可用于模式分类,由于是基于模糊规则的,所以网络行为容易理解、分析; 4)容易和各种搜索算法结合起来组成一个完整的特征选择系统。理论分析和试验结果表明本文提出的方法是有效的。