现代科技的飞速进步，促使控制理论向着更复杂、严密的方向发展。这其中模糊控制和神经网络控制由于其非线性和不依赖对象的数学模型等特点倍受人们的关注。模糊系统善于表达知识，推理类似于人的思维，但过于依赖人的主观因素，缺乏学习和适应的能力；神经网络结构可变，具有较强的自组织、自学习的能力，但是不具有结构性知识表达能力，网络参数缺乏物理意义，且在学习过程中易陷入局部极值。所以将二者的特点结合起来形成模糊神经网络就成了一种必然的趋势。 首先，本文结合神经网络和模糊逻辑，提出了一种改进型模糊神经网络学习算法，该学习算法的收敛速度明显优于传统BP算法。在此基础上，研究了工业过程基于神经网络的数据校正技术和工业裂解炉基于模糊神经网络的软测量技术，并通过仿真模拟，对模型的精度和外推能力与实际数据进行了比较，实际应用表明，所建模型具有良好的精度，泛化能力强，结果令人满意。最后，应用神经网络对裂解炉的裂解深度逆模推断控制和固定床反应器转化率的自适应推断控制分别进行了深入研究，仿真结果表明：裂解深度逆模推断控制，为测定裂解炉的裂解深度提供了一种简便易行的方法，在一定程度上满足了工业过程实时控制的要求；神经网络自适应推断控制，对于反应器出口的转化率无论在设定值变化还是存在扰动的情况下都可以获得良好的控制效果，表明此技术是切实可行的。