盲均衡是数字通信系统中消除码间干扰的关键技术，它能够不借助训练序列，而仅仅利用所接收到的信号序列的先验信息对信道进行均衡。传统盲均衡器中采用固定的判决电平，造成高的判决误差。模糊神经网络结合了神经网络和模糊理论各自的优点，模糊神经网络分类器可对不确定信息作出定量描述，具有很高的识别精度，可以有效降低判决误差。 本文所做的主要工作有： (1) 简要概述了现有基于神经网络盲均衡算法的各种实现方法及其发展动态，分析了其特点。同时，阐述了模糊神经神经网络在均衡器中的应用以及现有的盲信道估计的实现方法。提出了模糊神经网络在盲均衡算法中的几种可行的应用方式及其原理。 (2) 针对原有盲均衡器采用固定电平进行判决的特点，提出了一种由模糊神经网络分类器代替原有判决器的盲均衡算法。该算法将盲信道估计、反卷积和模糊神经网络分类器相联系。文中给出了高阶累积量盲信道估计的推导公式，利用反卷积获得输入信号的初步估计值，再利用模糊神经网络分类器进行判决。计算机仿真表明，新算法相对于前馈神经网络盲均衡算法在性能上有一定的提高与改善，不仅加快了收敛速度，而且减小了稳态剩余误差。 (3) 提出了一种模糊神经网络聚类盲均衡算法。该算法根据聚类