شبکه های عصبی فازی، یک نوع از سیستم های هوشمند ترکیبی هستند که بر اساس محاسبات عصبی فازی بنا شده اند. این ساختار از ترکیب سیستم های فازی و شبکه های عصبی حاصل شده است. شبکه های عصبی با وجود آنکه دارای مزایای دقت نگاشت ورودی- خروجی و قدرت تطبیق پذیری هستند، اما به دلیل عدم قدرت تفسیر، صرف زمان قابل ملاحظه برای کشف ساختار داخلی و طولانی بودن زمان آموزش محدودیت هایی را ایجاد می کنند. از طرف دیگر سیستم های فازی نیز دارای ضعف تطبیق پذیری هستند. لذا می توان شبکه های عصبی فازی را که مزایای سیستم های فازی و شبکه های عصبی را به طور یکجا دارا هستند، برای کاربرد های مختلف بکار برد. برای حل مشکل نامعینی در متغیرهای زبانی از منطق فازی استفاده می شود. درجه عضویت در فازی نوع -1، یک عدد غیر فازی است. اما تعیین دقیق این مقدار عددی بسیار مشکل است، خصوصاً در سیستم های ناشناخته و یا به شدت غیرخطی و دارای نامعینی، این امر بسیار مشکل ساز است. در سال های اخیر با تعمیم منطق فازی نوع -1 به منطق فازی نوع -2، جهش چشم گیری در هوش محاسباتی و سیستم های هوشمند حاصل شده است. به دنبال معرفی منطق فازی نوع -2، شبکه های عصبی نوع اول به شبکه های عصبی فازی نوع -2 گسترش یافتند. در فازی نوع -2، درجه عضویت یک عدد فازی است. در برخی سیستم ها تعیین دقیق درجه عضویت کار دشواری است، بنابراین منطق فازی نوع -2 می تواند کار گشا باشد. سیستم های فازی نوع -2 با قدرت انعطاف پذیری بیشتر و توانایی در مدلسازی سیستم های با نامعینی بالا، در سال های اخیر بیشتر مورد توجه قرار گرفته اند. یکی از کاربرد های مهم شبکه های عصبی فازی نوع -2 شناسایی سیستم های دینامیکی غیرخطی است. در این پایان نامه راهکار های گوناگون در شناسایی سیستم های دینامیکی غیر خطی با شبکه های عصبی فازی نوع -2 و همچنین بحث ساده سازی مدل های عصبی فازی نوع-2 (روش کاهش تعداد قواعد) مورد بحث واقع شده و شبیه سازی این راهکار ها برای سیستم های دینامیکی و نتایج حاصله از آن مورد بررسی قرار گرفته است.