模糊神经网络兼具模糊系统良好的知识表达能力和神经网络强大的自学习能力，成为神经网络和模糊系统领域的重要分支之一，在系统辨识、模式识别和智能控制等场合得到了成功的应用。在模糊神经网络结构设计研究方面，以聚类分析为基础的结构辨识方法是近二十年来最重要和最活跃的研究方向之一。然而，现有聚类结构辨识方法大多采用试错法来确定网络结构，缺乏有效的、更为智能的结构辨识方法。因此，在以聚类分析为基础的模糊神经网络结构辨识方面，如何自动生成和获取合适的模糊规则，仍是一个开放性研究课题。基于此，本文在深入分析该领域现有研究成果的基础上，提出了基于聚类的模糊神经网络结构辨识方法。而且，为了更进一步简化和优化系统结构，提出了基于模糊规则相似性精确分析与计算的结构简化方法，建立结构简洁的模糊神经网络模型。论文主要研究工作和创新点如下:　　(1)Mamdani模糊神经网络结构辨识　　针对现有聚类系统辨识方法传承了聚类分析的无监督学习特征和不足，结合系统辨识本质是一个以输出信息为导向的监督学习过程，提出了系统结构辨识的特殊聚类要求，即:在系统高度变化或非线性区域需要精细聚类，以满足精确描述系统的要求;而在系统相对平滑区域，粗糙的聚类足以精确地描述系统，避免出现过拟合。在系统辨识特殊聚类要求的基础上，提出了一种递归输入输出聚类的Mamdani模糊神经网络结构辨识方法。该聚类方法的基本思想是以输出变化强度为导向、以结构细分为手段的递归迭代过程，主要包括输入聚类和输入子聚类两个步骤。然后利用递归输入输出聚类对Mamdani模糊神经网络进行结构辨识。提出的方法能够自动获得合适的模糊规则，具有概念上简单、计算有效的特点。实验结果表明，与现有方法相比，该方法能够获得高精度的Mamdani模糊神经网络模型。　　(2)T-S模糊神经网络结构辨识　　由于T-S模型规则结论部分为关于输入变量的线性函数，较Mamdani模型具有更好的非线性逼近能力，仅仅依据每个区域输出变化是否平滑难以有效和精确的判断该区域是否需要细分。因此，T-S模糊神经网络结构辨识需要不同于Mamdani模型的细分聚类判别准则和学习方法。针对T-S模糊神经网络结构辨识问题，提出了一种增量聚类结构辨识方法。该方法通过计算每个区域样本数据的最优线性逼近函数的精度来确定是否需要结构细分。而且，在结构细分的递归迭代过程中，采用最小结构增量方法，对不满足精度要求的类进一步划分为2类，使获得的聚类数尽可能少。然后利用增量聚类方法对T-S模糊神经网络进行结构辨识。文中提出的方法充分发挥了T-S模型能够较好地描述系统的优势，满足系统辨识的特殊聚类要求，降低了聚类个数。实验结果表明，与现有大多数方法相比，该方法能够获得规则数少、精度高的T-S模糊神经网络模型。　　(3)模糊集合和模糊规则相似性分析与计算　　聚类结构辨识方法本质上是一种局部辨识方法，利用梯度法进行全局优化参数后，网络可能存在冗余或相似的模糊规则，导致网络结构过于复杂，带来过拟合问题，因此需对网络结构进行简化。针对现有高斯隶属函数相似度计算大多不精确的问题，提出精确计算具有高斯隶属函数的单变量模糊集合相似性的方法，给出模糊集合相似度计算定理。该方法遵循常用的模糊集合相似度定义，保证了计算方法在理论上的严谨性和计算结果的正确性。　　模糊神经网络结构简化不但要分析和计算隶属函数的相似度，而且要分析和计算模糊规则的相似度。在分析现有模糊规则相似度定义和计算方法缺点和不足的基础上，证明了模糊神经网络规则相似性分析和计算问题可转化为多变量模糊集合相似性问题。在此基础上，提出一种精确计算模糊规则相似性方法，探讨了规则相似度计算的直观含义，给出并证明规则相似度计算定理。该方法在理论上适用于任何形式、任意维数模糊集合或模糊规则相似性的精确计算，具有良好的通用性和普适性。模糊规则相似性分析和计算方法为基于相似性合并的模糊神经网络结构简化奠定了理论基础。　　(4)基于相似性分析的模糊神经网络结构简化　　为了解决模糊神经网络结构简化问题，提出了冗余规则判别与删除和相似规则计算与合并的方法。首先，计算各规则的最大激活度，将最大激活度接近于零的规则视为冗余并将其删除;其次，利用提出的精确相似性分析方法对模糊规则相似度进行计算，并将高度相似的规则合并，降低模型的复杂度，提高模型的可解释性;最后，利用梯度法学习网络参数，最终获得结构简洁、精度令人满意的模糊神经网络模型，实现网络结构优化设计。通过仿真实验证明了提出方法的有效性。　　值得强调的是，文中提出的冗余规则判别与删除和相似规则计算与合并的结构简化方法具有普适性，可适用于任何方法获得的模糊神经网络的结构简化，具有较好的推广性能。