基于神经网络的属性重要性评价是以神经网络为模型来衡量模型中输入变量对模型输出的影响程度。它一方面可以神经网络为工具，按照重要性对属性排序；另一方面还可增加神经网络的解释性、减少网络的复杂度、简化网络的结构、提高网络的泛化能力。近年来，基于神经网络的属性重要性评价引起了广泛的关注。 本文以基于神经网络的属性重要性为主线，在对已有的重要性评价综述的基础上，对部分评价方法进行了分析与扩展，并给出了公理化定义；提出了两种基于模糊神经网络的属性重要性评价方法，并对这两种方法进行了比较与泛化。 全文结构如下： 第一章介绍本文的研究背景。 第二章对现有的基于神经网络的属性重要性评价方法了综述，提出了基于权重法、偏导法与扰动法的全局属性重要性评价方法，扩展了已有全局属性重要性评价方法；给出了基于神经网络的属性重要性评价的几个公理化定义。 第三章提出两种基于模糊神经网络的属性重要性评价方法：偏导法(FNNPaD)与分解综合法(FNNSI)。FNNPaD法通过输出对输入变量的偏导数得到。该方法适用于输入变量为连续变量的神经网络；FNNSI法借助神经网络各层神经元重要性分解与综合得到。依据FNNSI法提出了网络结构删剪算法。FNNSI法适用于离散、连续输入变量并存的神经网络模型。与已有基于神经网络的属性重要性评价方法相比，这是一个突出优势。本章还将FNNPaD法与FNNSI法进行了比较，并将其扩展到一般的模糊神经网络属性重要性评价中。 第四章对全文进行了总结与展望。