神经模糊系统在智能决策、控制和识别等领域有着广泛的应用。不同领域的复杂应用场景也给神经模糊系统建模带来了多样性困难和挑战。针对此，项目组多年来围绕神经模糊系统建模问题，按照问题导向--概念突破--理论推导或框架形成--方法创新--验证与应用的研究思路，取得了如下的重要科学发现：（一）神经模糊系统建模中的聚类分析理论和方法。聚类在神经模糊系统建模中有着重要的作用,是模糊推理规则前件构造的重要技术。针对不同的神经模糊系统建模场景，本项目提出了若干针对性的聚类方法，包括：1）提出了基于竞争学习的一般化改进划分聚类技术，并理论证明了其鲁棒性。2）提出了适宜于高维数据建模的增强软子空间聚类方法。3）提出了新聚类方法诱导的神经模糊系统建模方法。所提出的聚类方法为神经模糊系统的规则前件生成提供了有效的支撑技术；在图像分割、文本挖掘等方面的应用也展示出了鲁棒的性能。（二）神经模糊系统的模糊推理、模型构建及知识利用机制。神经模糊系统建模的核心任务是实现有效的不确定知识推理和决策。针对此，本项目提出了若干面向不同应用场景的知识利用和模型构建机制，包括：1）针对高度非线性建模和高维数据建模场景，提出了三种多阶段级联神经模糊推理系统模型的构建方法。2）针对数据分布漂移的建模场景，首次提出了知识调控神经模型系统的概念及其构建框架，并提出了几种具体的知识调控迁移学习机制。3）针对含负模糊规则的模糊系统，揭示了其与特定前馈神经网络存在等价性，并由此提出了其快速神经网络学习机制。4）首次提出了模糊形态联想记忆模型；提出了基于模糊细胞神经网络的模糊联想记忆机制并有效应用于白细胞图像的目标检测。（三）神经模糊系统模型的高效学习和优化。目前的神经模糊系统模型学习和优化方法对大规模数据或数据分布漂移等复杂场景缺乏高效性。针对此，提出了两种新的高效学习机制：1）适宜于大规模数据的特定二次规划优化学习机制。该优化学习机制把神经模糊系统的模型优化问题转化为特定的二次规划问题，其求解具有时间复杂度上界和学习样本集尺寸呈线性增长的性质。2）适宜于知识迁移和快速学习的隐空间岭回归模型快速优化学习机制。通过揭示各类神经模糊系统模型和特定的隐空间岭回归模型存在的等价性，依据样本量和维数的关系进行具体的快速高效的学习。

相关研究已发表相关SCI论文41篇(ACM/IEEE Trans.系列长文20篇，工程技术1区TOP期刊论文18篇，影响因子大于2的论文32篇)，SCI他引678次，总他引1435（Google Scholar检索)；10篇代表性论文（含工程技术1区TOP期刊论文7篇)SCI他引387次，总他引782次；获得发明专利5项和软件著作权5项；5人次入选江苏省杰青、教育部新世纪优秀人才支持计划和江苏省333高层次人才培养工程；基于本项目成果所研发的多个系统获得了成功应用，取得了较好的经济与社会效益。