چکیده مدل سازی و شناسایی سیستم ها کاربردهای مهمی از جمله در زمینه کنترل فرآیند دارد. به طور معمول فرآیند مدل سازی، به معنای مدل کردن یک سیستم نامشخص با استفاده از داده های ورودی-خروجی می باشد. جهت مدل سازی سیستم دیدگاه های مختلفی پیشنهاد شده است. شناسایی در صورت معلوم بودن ساختار مدل سیستم معمولا منجر به دقت زیاد می شود، اما هنگامی که سیستم، پیچیده و یا دارای عدم قطعیت است، فرآیند مدل سازی با خطا مواجه می شود. شبکه های فازی-عصبی روش های زیادی را برای مدل سازی پیشنهاد کرده اند، البته چنانچه سیستم مورد نظر پیچیده باشد، این روش ها قادر به تغییر ساختار مدل در جهت رسیدن به مدل بهینه نمی باشند. در این پایان نامه، الگوریتم آموزشی مدل خطی محلی درختی(lolimot) و شبکه تکه ای خطی(pln) به عنوان دو دیدگاه در مدل سازی شبکه های فازی-عصبی خطی محلی، جهت شناسایی سیستم های غیرخطی، مورد توجه قرار گرفته اند. lolimot و pln دو الگوریتم آموزشی افزایشی بوده که با تقسیم بندی فضای ورودی در هر گام جهت افزایش دقت مدل سازی یک مدل خطی محلی جدید به مدل تکه ای خطی قبلی اضافه می نماید. در طول فرآیند آموزش در دو الگوریتم بیان شده ممکن است برخی از مدل های محلی زائد و غیرضروری باشند. لذا در این الگوریتم ها به منظور بهینه سازی ساختار مدل، نورون ها و قسمت های اضافی حذف می شوند. در این پایان نامه الگوریتمی ارائه شده که در آن از مزایای هر دو الگوریتم pln و lolimot جهت بهبود الگوریتم lolimot استفاده شده است. مدل سازی توسط الگوریتم بهبودیافته lolimot جدید با بهره گیری از الگوریتم lolimot جهت رسیدن به دقت مدل سازی مطلوب و بهره گیری از الگوریتم pln جهت رسیدن به مدلی ساده تر، انجام می گیرد. که این خود مهمترین مزیت الگوریتم ترکیبی جدید محسوب می شود. در پایان شبیه سازی برروی دو مدل، سیستم تعلیق فعال نیم خودرو و سیستم تعلیق الکترومغناطیسی انجام شده است. نتایج شبیه سازی ها تایید کننده عملکرد مناسب الگوریتم بهبودیافته lolimot در مقایسه با دو روش pln و lolimot می باشد.