模糊TS神经网络结合了TS模糊系统和神经网络两者的特点，其不但能够处理语言知识和大量数据，也能有效地对复杂系统进行建模和控制。TS模糊系统是线性形式，从数值逼近的角度出发，该系统是若干个分片线性模型的加权求和，即在局部区域用线性模型近似原模型。为了进一步提高模型的逼近精度，本文提出基于Taylor展式的模糊TS系统，并借助神经网络来辨识模型的参数，将其用于对非线性函数、动力学模型及时间序列模型的逼近。论文工作如下:　　第一，论文提出了多输入多输出的二阶Taylor-TS系统模型和二阶Taylor-TS模糊神经网络的结构;　　第二，将二阶Taylor-TS模糊神经网络应用到非线性函数和动力学模型的建模中，采用的是梯度下降算法（Taylor-TS-GD），最后将仿真结果与其他算法进行比较，结果表明Taylor-TS模糊神经网络在逼近性能和精度方面有所提高;　　第三，应用分步学习策略对二阶Taylor-TS模糊神经网络进行辨识。采用PSO算法、拟牛顿算法和梯度下降算法:PSO算法和梯度下降算法分别用于对网络前件隶属函数参数的初始化和辨识;拟牛顿算法用于对后件参数的调节。将分步学习辨识方法应用到非线性函数和动力学模型的仿真中，结果表明相较于其他算法，分布学习方法能有效地提高逼近性能和逼近精度;　　第四，将二阶Taylor-TS模糊神经网络应用到典型时间序列的预测中。首先将二阶Taylor-TS模糊神经网络进行结构优化;其次，采用引入阈值的方式优化可调参数的个数，进而提高网络的预测性能;最后将本算法与其他算法的预测误差和训练误差进行比较，结果表明该方法能有效地提高非线性时间序列的预测性能。