اخیرا توجه فراوانی به کاربردهای نظریه مشبکه به ویژه مشبکه های فازی در زمینه های مختلف از جمله شبکه های عصبی شده است. یک مشبکه فازی از فازی سازی اندازه گیری شمول یک مشبکه معمولی ایجاد می گردد. شبکه های عصبی مبتنی بر مشبکه قادر به حل بسیاری از مسائل غیر خطی بوده و تا کنون در بسیاری از مسائل کاربردی مورد استفاده واقع شده اند. آنچه که در این پایان نامه مورد بررسی قرار می گیرد توسیعی از شبکه های عصبی فازی-آرت، اس.او.ام و پرسپترون به نام های اف.ال.ان، جی.آر.اس.او. ام و اس. اس.پی بر اساس نظریه مشبکه می باشد. یادگیری و تصمیم گیری در اف.ال.ان بر اساس یک اندازه گیری شمول می باشد. مزیت منحصر به فرد اف.ال.ان این است که دامنه کاربرد آن داده های مشبکه ای l=l1*….*ln یعنی حاصلضرب n مشبکه با مولفه های l1, …, ln می باشد. ویژگی دیگر اف. ال. ان توانایی کار با انواع داده های مختلف از قبیل بردارهای عددی، مجموعه های فازی، گراف، ... و هر ترکیبی از داده های فوق می باشدو این توانایی اف.ال.ان در ترکیب داده های متنوع را نشان می دهد. مدل جی.آر.اس.او.ام برای استخراج (استنتاج) توزیع بدون پارامتر اعداد بازه ای فازی از داده ها به کار می رود. استخراج قوانین از داده های آموزشی و همچنین قابلیت تعمیمی که فراتر از ساپورت قوانین است از جمله ویژگی های این مدل می باشد. خروجی جی.آر.اس.او. ام می تواند به عنوان قوانین "اگر ... آنگاه .... " تفسیر شود. اس. ال.ال.پی که توسیعی از پرسپترون می باشد عملگرهای جمع و ضرب در آن به ترتیب با جمع و ماکزیمم (یا مینیمم) جایگزین شده است در نتیجه خواص اس.ال.ال.پی به طور چشمگیری با شبکه های عصبی سنتی متفاوت می باشد. مشکل همگرایی و طولانی بودن الگوریتم آموزش در آن وجود نداشته همچنین هر پیکر بندی فشرده می تواند توسط یک اس.ال.ال.پی با یک نرون خروجی و هر دقت دلخواه ؟؟ تقریب زده شود. قابلیت های محاسباتی این مدل به وسیله چندین مثال تشریح شده است.