在众多的人工智能研究领域中,大多数研究侧重于多种智能识别方法的融合,以改善识别的效果。伴随着人工智能技术的发展,越来越多的智能识别算法在模式识别领域得到应用。模糊神经网络结合了处理不确定信息能力的模糊逻辑,以及具备知识存储能力的神经网络两种技术,可有效发挥其各自的优势,并弥补其不足,集学习、联想、识别、自适应及模糊信息处理于一体,提高整个系统的学习能力和表达能力。用神经网络实现模糊推理过程可采用网络学习或聚类的方法从输入输出数据中获取规则,然后在性能指标指导下,对规则进行自适应调整,从而实现模糊系统的自学习、自适应功能。从而在模式识别和分类中具有独特的优势,将此技术用于模式识别领域得到了很多专家的重视,是目前研究的一个热点。模糊神经网络是以神经网络为基础建立起来的,针对这个特点将Hopfield神经网络与亚当姆斯预测校正系统有效的结合,在此基础上提出了一种解决运输问题的优化算法,该算法结合Hopfield神经网络优化功能,并根据运输问题的实际情况,将优化运输问题转换成求解网络系统的平衡点,很好的解决了运输问题。同时,根据亚当姆斯多步法思想提出一种基于多项动量项修改的神经网络参数调整方案,该算法适用于多种前向神经网络。实验表明该方案可以根据设置多个不同的初始参数使网络达到防止振荡,收敛速度快的特点。结合多种神经网络结构的特点提出一种新型的模糊神经网络模型,在第二层既实现输入变量的隶属度函数的合成,又自动匹配了模糊控制的控制规则,而不用考虑常规模糊神经网络必须由相关领域的专家提供模糊推理规则,并且推理层节点数少,简化了网络的复杂性,算法简单,易于编程,并将所建立的模糊神经网络模型应用到地震等级的模式识别中,较好地实现了地震等级的识别与预测,有很好的实用价值。