Запропоновано архітектуру розширеного нео-фаззі нейрону, який дозволяє реалізовувати нечітке висновування за Такаґі-Суґеновільного порядку, що характеризується покращеними апроксимуючими властивостями та підвищеною швидкодією. Визначено архітектуру та методи навчання каскадної нейро-фаззі мережі, що еволюціонує з оптимізацією пулу нейронів у кожному каскаді для інтелектуального опрацювання даних, що надходять у послідовному режимі. Винайдена багатовимірна система та методи її навчання показали високу точність та переваги при вирішенні задачі прогнозування нелінійних стохастичних і хаотичних багатовимірних сигналів в онлайн режимі порівняно з існуючими системами. Запропоновано архітектуру та методи самонавчання каскадної нейро-фаззі системи, що еволюціонує, для послідовного кластерування даних з автоматичним визначенням локально оптимальної кількості кластерів. Розв'язано практичну задачу нечіткого кластерування світлин для подальшого їх класифікування за умови невизначеності щодо кількості кластерів та рівня їх розмитості за допомогою пропонованої самонавчальної гібридної системи. Розв'язано практичну задачу прогнозування витрат нормогодин для ремонтних робіт візків вагонів 61-425, 61-181, 47Д та 47 К у ТОВ "Харківський вагонобудівний завод" за допомогою запропонованої каскадної гібридної нейро-мережі, що ґрунтується на розширених нео-фаззі нейронах