论文针对动态非线性系统建模、辨识和控制等问题,提出了一类由递归函数网络和规则网络构成的递归复合型模糊神经网络。其中规则网络通过对生产过程先验知识的利用,确定规则推理和学习的模糊神经网络结构,实现操作区域的划分;递归函数网络则运用常规模糊神经网络进行相应过程操作区域内的非线性函数逼近,并在其第二层内部引入了递归环节,利用内部反馈,记录系统前一时刻的信息。此种网络结构不但能有效地利用对象的先验知识,而且对动态系统具有很好的响应。论文采用了几类动态非线性函数模型分别对模糊神经网络、动态模糊神经网络、复合型模糊神经网络和递归复合型模糊神经网络进行了仿真研究,结果表明递归复合型模糊神经网络较之其他网络在动态系统响应能力和网络学习精度方面都有显著的提高,其内部递归反馈的结构比外反馈的网络结构网络规模小,性能好。论文还研究了当数据样本集中含有噪声的情况,仿真实验的结果说明递归复合型模糊神经网络具有较强的抗干扰能力,适当的调整网络结构,可有效的抑制有色噪声的影响。最后,论文将递归复合型模糊神经网络应用于DMF(双塔)回收系统,利用现场的实时数据,采用递归复合型模糊神经网络对系统进行辨识和建模,获得了满意的结果。研究表明,论文所研究的递归复合型模糊神经网络在处理动态非线性系统问题上具有良好的性能,在实际生产过程的应用上有广泛的前景。