در این مقاله شبکه عصبی فازی مین - ماکس چندسطحی با باکس های وزن دار (WL-FMM) برای استفاده در کلاس بندی ارائه می گردد که یک ابزار یادگیری با نظارت بسیار سریع بوده و قادر به یادگیری داده ها به صورت برخط و تک گذار است. در این روش برای حل مشکل نواحی همپوشان که از مشکلات همیشگی روش های فازی مین - ماکس بوده، از باکس هایی با اندازه کوچک تر و وزن بیشتر استفاده می شود. این کار باعث افزایش دقت طبقه بندی شبکه در نواحی مرزی نمونه ها می گردد. همچنین با توجه به تغییراتی که در ساختار الگوریتم داده شده و بر اساس نتایج آزمایشی به دست آمده، روش ارائه شده نسبت به روش های مشابه از پیچیدگی زمانی و مکانی کمتری برخوردار بوده و نسبت به پارامترهایی که از طرف کاربر مشخص می شود، حساسیت کمتری دارد.