近年来，模糊神经网络以其广义的函数逼近能力，已经受到了广泛的关注。在模糊神经网络的研究中，参数学习问题具有很大的重要性。一般来说，对模糊神经网络的参数学习问题可以转化为对其目标函数的优化问题，即寻找一组合适的参数向量使其目标函数值最优。目前，对模糊神经网络的权值或结构进行优化的方法有两类：一类是基于梯度向量的导数优化方法；第二类方法是基于现代最优化技术的非导数优化方法，如遗传算法、模拟退火算法等，其中以遗传算法的研究最为突出。使用现代优化技术时不需要目标函数的梯度向量，因此在解决复杂优化问题时有更大的灵活性。模糊神经技术和现代优化技术的结合是计算智能的一个发展趋势。 禁忌搜索算法(tabu search, TS)是一种亚启发式搜索算法。TS通过引入一个灵活的存储结构和相应的禁忌准则来避免迂回搜索，并通过藐视准则来赦免一些被禁忌的优良状态，进而保证多样化的有效探索以最终实现全局优化。近年来的研究表明，禁忌搜索算法具有遗传算法、模拟退火算法相当的性能甚至更优越。作为一种性能良好的优化方法，禁忌搜索算法已经成功应用于组合优化、生产调度等领域。然而，目前使用禁忌搜索算法作为模糊神经网络参数学习算法的研究却不多见。 本文在对以前的模糊神经网络参数学习算法进行分析的基础上，做了以下几个方面的工作： 1) 根据禁忌搜索算法的特点，在Jyh-Shing Roger Jang提出的ANFIS模型的基础上，将禁忌搜索算法应用于模糊神经网络线性和非线性参数的学习上，并将该模型用于单变量函数的逼近； 2) 在第一阶段的基础上，对算法进行了改进，使改进后的算法能够适用于复杂的II函数逼近问题; 3)根据计算机仿真的结果，对禁忌搜索算法的性能进行了分析，并对该模糊神经系统的函数逼近能力和泛化能力进行了讨论。 4)对研究成果进行了总结和展望。 通过本文的研究可以看出，将禁忌搜索算法用在模糊神经系统参数学习中具有很好的性能，该算法具有收敛概率高，收敛精度好等优点。训练后的模糊神经系统具有良好的函数逼近能力和泛化能力。禁忌搜索算法和模糊神经网络的结合在控制、信号处理等领域具有广阔的应用前景。