CMAC是一种局部泛化的神经网络，具有学习速度快，泛化能力强、易于实现等优点。因此，可有效的用于复杂工业系统神经网络建模、神经网络控制器的设计等。RLS(递推最小二乘法)是保证全局极优的稳定收敛算法。与CMAC-RLS算法相比，CMAC-LMS算法的学习速率不是时变的。而CMAC-RLS算法的学习速率可看作是由历史数据得到的，是自适应的，从而得以保证算法的收敛性，更适合应用到实际系统中。 连续CMAC及模糊CMAC是对CMAC的结构进行改进的基础上提出的。两者都可以有效的提高CMAC的性能，是目前研究热点方向之一。连续CMAC网络与离散CMAC网络相比，克服了输入状态空间和输出状态空间离散化的缺点，具有连续的输入状态空间和输出状态空间，具有逼近速度快，精度高的特性。模糊CMAC神经网络在具有学习机制的CMAC网络的基础上，熔入了模糊逻辑控制器，因此不仅提高了精度，且具有很好的泛化能力和容错能力。 因此研究如何将RLS算法与这两种改进的CMAC结构相结合，对于CMAC的发展，是件有意义的工作，并具有很好应用前景。 本论文首先将CMAC-LMS算法和CMAC-RIS算法进行了比较。其次将RLS算法引入连续CMAC中，对典型的强非线性系统CSTR进行了讨论，并采用本文提出的连续CMAC算法对CSTR系统进行逆向建模，取得了很好的效果。 再次将RLS算法引入模糊CMAC中，并讨论了液位对象系统，提出了模糊CMAC和常规控制器组成的复合控制器的控制策略。运用此控制策略对液位对象进行控制。并将控制结果与CMAC的复合控制器的控制结果进行了对比，仿真结果显示模糊CMAC具有更好的控制效果。