随着计算机神经网络技术的飞速发展,以及现代作战飞机故障诊断的落后现状,对故障诊断自动化、智能化的要求逐渐地提高。如何很好地实现基于模糊神经网络的机载设备故障诊断逐步成为一个重要的研究方向。飞机子系统是一个非线性系统。基于模糊神经网络的非线性系统辨识要通过结构辨识和参数辨识来实现。在结构辨识中,涉及到输入输出空间的划分、模糊规则数目以及前提和结论部分初始参数的确定。在深入分析用于获取模糊规则的模糊C-均值聚类算法的局限性基础上,结合粒子群优化算法的优越性,提出一种基于模糊C-均值的改进聚类算法。此算法能够较好地抗噪、抗敏感,具有较强的全局搜索能力,避免陷入局部极小,提高了聚类的效率和效果。根据聚类的结果制定出模糊规则库,并生成出模糊神经网络的初始结构。在参数辨识中,构建出一个与模糊推理机制相匹配的四层模糊神经网络。给出模糊神经网络的BP学习算法,利用此算法对网络初始结构进行网络训练来调整其权值参数,生成精度较高的模糊神经网络。根据飞机子系统的诊断要求和实际情况,结合模糊神经网络的结构,设计出故障诊断模型,能较好地实现故障诊断。在系统实现中,设计出系统的总体框架,并实现了样本预处理模块、特征提取模块、学习训练模块和推理诊断模块。对系统中提出的模糊聚类改进算法和设计出的故障诊断模型进行测试与分析,验证了它们的正确性及准确率。