随着科学技术的不断发展和人工智能技术的不断成熟和广泛应用,集神经网络与模糊控制的优点于一体的模糊神经网络模型和通过模拟生物界的遗传法则进行选优的遗传算法也受到更多的关注。在经典的模糊神经网络模型中,存在的不足主要表现在当样本的变量较多且各变量的模糊子集也较多时,极易导致规则组合爆炸,使模型规则过多,无法一一展示计算,很大程度上增加了模型的规模复杂性以及建模时间。针对这个问题,很多应用过程都是借助基于实变量的减法聚类来提取代表性分类规则,以避开庞大的规则数来实现分类过程,这样的方法,实际上是把模糊问题又转为了实变量问题解决。所以,对于模糊神经网络的分类,是否存在基于模糊变量的代表性分类规则提取,以减少大部分的模糊组合规则数,实现较强的非线性映射下的模糊分类问题,目前还没发现相关的研究文献。本文主要针对上述问题,提出了一种基于模糊变量输入与遗传选优规则的非线性模糊神经网络模型,把模糊变量的相关隶属度表示,转换为生物进化的染色体(个体)表示,通过K-均值聚类与遗传算法的结合,遗传优化聚类数K和聚类中心,以聚类中心表示代表的模糊类和模糊分类规则,由此得到K条优选规则;在这基础上,对任一输入样本,应用K条模糊规则进行分类,并结合模糊网络进行非线性逼近。在输入和输出都是模糊变量的情况下,利用少量代表性规则和非线性sigmoid作用函数建立四层模糊神经网络模型。在SPSS和MATLAB软件的辅助下,应用本文提出的模糊神经网络方法,对高校资产管理绩效综合评价的模糊数据进行了研究与分析,得到了满意的结果,论证了方法的有效性。