模糊神经网络是将人工神经网络与模糊逻辑系统相结合的一种能处理抽象信息的网络，具有强大的自学习和自整定功能，是智能控制理论研究领域中一个十分活跃的分支，因此模糊神经网络控制的研究具有重要的意义。本文在分析模糊神经网络理论和应用现状的基础上，针对模糊神经网络控制中存在的一些问题，主要进行以下两个方面的研究： 1．针对模糊神经网络控制器一般存在着在线权值调整计算量大、训练时间长、过度修正权值可能导致系统剧烈振荡等缺点，提出了两种模糊神经网络控制器的优化方法：在线自学习过程中仅对控制性能影响大的控制规则相关的权值进行修正，以减小计算量，加快训练速度；基于T-S模糊模型，根据偏差及偏差变化率大小动态自适应调节权值修正步长，抑制控制器输出的剧烈变化，避免系统发生剧烈振荡。仿真结果表明本文提出的优化方法能大大减少在线权值修正的计算量，加快了系统的收敛速度。 2．由于传统控制器本身的局限，它们在非线性控制系统的设计和应用中存在许多问题，本文将模糊神经网络和传统控制策略相结合，设计了两种模糊神经网络自适应控制器：基于模糊基函数网络的间接型稳定自适应控制器和基于T-S模糊神经网络直接型稳定自适应控制器。首先用模糊神经网络西安理工大学硕士学位论文完成对控制系统未知结构或参数的逼近，然后根据Lyapunov稳定性定理设计网络参数的自适应学习律，在线完成网络参数的调整，使系统满足lyapunov稳定性。仿真结果表明，这两种控制器都能很好地实现跟踪输入信号，并满足系统稳定性的要求。