Se proponen en este estudio redes neuronales difusas jerárquicas resistentes a novedades y se investigan sus problemas de aprendizaje profundo. Estas redes neuronales difusas se pueden utilizar para modelar plantas controladas complejas y también como controladores difusos. En general, los datos del mundo real suelen estar contaminados por valores atípicos. Estos valores atípicos pueden tener influencias no deseadas o impredecibles en las máquinas de aprendizaje finales. Las correlaciones entre el objetivo y cada uno de los predictores se utilizan para dividir las variables de entrada en grupos para que cada grupo se convierta en las variables de entrada de un sistema difuso en cada nivel de la red neuronal difusa jerárquica. Para mejorar la resistencia de las máquinas de aprendizaje, utilizamos el error cuadrado mínimo recortado como función de coste. Para probar la resistencia de las máquinas de aprendizaje a los efectos adversos de los valores atípicos, agregamos en el nodo de salida algo de ruido de tres tipos diferentes de distribuciones, a saber, normal, Laplace y distribuciones uniformes. Se utilizan conjuntos de datos del mundo real para comparar el rendimiento de las propuestas redes neuronales difusas jerárquicas resistentes, redes neuronales artificiales densamente conectadas resistentes y redes neuronales artificiales densamente conectadas sin ruido.