本文首先分析了传统的模糊神经网络存在的缺陷,改进了学习算法,提出了将误差与学习率分层,协同调整的层递式BP神经网络。接着,联合层递式BP神经网络,将模糊神经网络的逻辑推理层按专家经验进行分层,而提出来层递式模糊神经网络。最后将层递式模糊神经网络应用到系统的辨识中,通过仿真算例,证明了算法的有效性。文章的结构如下：第一章,介绍了本文研究课题的背景,提出了对该课题研究的目的及其意义；第二章,讨论了传统BP神经网络算法的局限性,指出了一些改进的算法在非线性系统辨识中应用的局限性；考虑了训练样本序列的排序问题,结合分层思想,将误差与学习率同步调整,以收敛定理为基础,提出了层递式BP神经网络,并通过数值算例证明了改进算法的有效性；第三章,针对传统的模糊神经网络,分析了网络存在的维数灾难、不能很好的表达专家经验知识等缺陷,提出了将逻辑层按专家经验进行分层思想,并联合层递式BP神经网络,提出了层递式模糊神经网络,分析了层递式模糊神经网络对运行机理,最后给出了一个层递式模糊神经网络控制模型；第四章,将层递式模糊神经网络应用到一类非线性系统辨识中,给出了一类非线性系统控制模型,分别设计了层递式神经网络控制器和层递式模糊神经网络辨识器,讨论了分层算法中的误差传播问题。同时,分析了分层对训练样本序列的影响,以及样本归一化、误差控制问题。最后,通过仿真算例验证了结果的可行性；第五章,总结了研究结果,并提出了展望。