شبکه های عصبی فازی min-max، روش های نسبتاً جدیدی در حوزه کاربردی طبقه بندی و خوشه یابی می باشند. این شبکه ها، ویژگی های برتری مانند الگوریتم آموزش برخط یکبارگذر دارند که آنها را برای پیاده سازی سخت افزاری و استفاده در کاربردهای بلادرنگ، ایده آل می سازد. در این پایان نامه یک روش جدید برای طراحی شبکه های عصبی فازی بر پایه ابرجعبه های فازی min-max ارائه شده است. همانند شبکه fmnn، این شبکه از تجمیع ابرجعبه های فازی برای تعیین مرزهای کلاس ها استفاده می کند، با این تفاوت که تست همپوشانی و انقباض ابرجعبه ها از مراحل آموزش حذف شده است. که منجر به الگوریتم آموزش ساده تر و سرعت آموزش بیشتر شده است. شبکه ارائه شده از دو دسته ابرجعبه با ضریب انبساط متفاوت، به منظور استفاده از ابرجعبه های کوچک تر در مرز کلاس ها، استفاده می کند. شبکه با یک بار ارائه داده های آموزش، آموزش می بیند. نتایج حاصل از شبیه سازی های رایانه ای، بیانگر کارایی خوب این شبکه می باشد. روش پیشنهادی در اکثر موارد، نتایج بهتری را، نسبت به بهترین روش های قبلی، با تعداد نرون های کمتر بدست می دهد. در پایان نامه حاضر، یک طرح سخت افزاری، برای پیاده سازی شبکه معرفی شده روی fpga، ارائه شده است. در این طرح تابع عضویت ابرجعبه ها، به منظور صرفه جویی در ناحیه مصرفی fpga، ساده شده است، به طوری که طرح حاصله، از ضرب کننده استفاده نمی کند. همچنین طرح سخت افزاری ارائه شده، به طور موثری از تکنیک خط لوله و موازی کاری، برای افزایش سرعت محاسبات، استفاده می کند.