شبكه عصبي همانند جعبه سياهي بوده كه توانايي يادگيري روابط بين نمونه‌هاي ورودي و خروجي خود را دارد. به عبارتي يادگيري در اين سيستم به صورت توزيع شده بوده و تعيين محل مفهوم يادگيري در آن امكان پذير نمي‌باشد. لذا يكي از مشكلات اين سيستم‌ها ذخيره دانش به صورت وزن‌هاي نامشخص بين نروني مي‌باشد كه امكان تفسير كلامي آن ممكن نيست. از سوي ديگر منطق فازي توانايي استنتاج روي مجموعه‌هاي نادقيق كلامي را داراست. قوانين فازي مي‌توانند بر پايه جملات “اگر… آنگاه”، منطق زبان طبيعي را پياده سازي نمايند.  با اين حال يك سيستم فازي كه به آن سيستم استنتاج فازي و يا سيستم خبره نيز گفته مي‌شود، توانايي يادگيري و يا حتي استخراج قوانين مورد نياز خود را ندارد. با افزايش پيچيدگي سيستم‌هاي فازي، متعاقباً توسعه قوانين فازي و توابع عضويت مشكل مي‌شود. همچنين شبكه‌هاي عصبي امكان بيان مفاهيم زباني را ندارند. تركيب اين دو سيستم ايجاد يك سيستم تركيبي قدرتمند نموده كه از توانايي‌هاي هر دو سيستم استفاده مي‌نمايد.

    همچنين منطق فازي نسبت به دادگان غيرصريح و شبكه‌هاي عصبي نسبت به دادگان نويزي تحمل‌پذيري بالايي دارند (Medsker). توانايي يادگيري شبكه عصبي راهكار مناسبي براي تنظيم دانش خبره و توليد اتوماتيك قوانين و توابع عضويت فازي است. از سوي ديگر منطق فازي امكان گسترش توانايي برون‌يابي شبكه عصبي با دادگان آموزشي محدود را فراهم مي‌سازد. (Lin)

    يك شبكه تركيبي عصبي- فازي مزاياي منطق فازي و شبكه عصبي را داراست. به عبارتي تركيبي از بيان دانش به صورت زباني و قابل فهم فازي و مفهوم يادگيري نهان موجود در شبكه عصبي است. تحقيقات وسيعي بر روي تعيين ساختار و اندازه شبكه و تعيين قوانين فازي و توابع عضويت به صورت اتوماتيك صورت گرفته است. ساختار‌هاي متفاوتي از شبكه عصبي- فازي توسط محققين مختلفي مانند Lin (1995)، Medsker (1994) و(1996) Jana ايجاد شده است. همچنين مي‌توان به ساختار‌هاي ايجاد شده توسط (FNN) Kwan & Cais، (FMN) Simpson، Kulkarni و همكاران(FHSNN-FHLSNN-FHLSCNN) و (GFMN) Gabrys & Bargiela اشاره نمود كه در آنها از منطق فازي براي بهبود عملكرد شبكه‌هاي عصبي استفاده شده است