前馈模糊神经网络是模糊技术与多层前馈神经网络有机结合的产物。它在处理不确定的复杂问题上表现出较强的优越性，有广泛的应用前景。但是也存在一些亟待解决的问题，如网络结构的优化问题、学习算法的设计、收敛速度和误差精度的提高及人为因素的减少等方面。本文首先系统地分析了前馈模糊神经网络的各个方面并加以改进。然后提出了两种改进的前馈模糊神经网络，并应用于解决石油工业中的实际问题。其一是改进的径向基函数模糊神经网络。通过分析径向基函数的特点和梯度下降法调整参数的本质，提出了一种新的自组织产生隐层节点的学习算法。在其应用上，研制了基于径向基函数的模糊神经网络的催化裂化产品产率预测仿真系统。根据小型催化裂化装置进行重油催化裂化反应试验的试验数据对系统进行预测能力分析，从全局误差曲线图可见训练速度比较快，误差精度比较高。用未参加训练的试验数据提供给系统后其预测结果比较满意。其二是改进的补偿模糊神经网络。该网络在基于高斯模糊逻辑系统的前馈模糊神经网络中加入了补偿运算层和采用了改进型中心反模糊化器。特别是在网络学习算法中采用了动态调整学习步长的机制，使网络在学习过程中能避免较大震荡现象的出现并提高其收敛速度。应用该方法建立了油田测井解释中储集层含水饱和度的预测模型。在进行性能分析时分别用新方法和基于传统神经网络的方法建立临盘水油田储集层含水饱和度预测模型，前者比后者在收敛速度和误差精度上有较大的提高。综上所述，两种改进的模糊神经网络都具有一定的理论价值和应用价值，值得进一步推广运用。