La red neuronal difusa no estacionaria (NFNN) ha demostrado ser una herramienta efectiva e interpretable en el aprendizaje automático, capaz de abordar problemas de incertidumbre de manera similar a las redes neuronales difusas de tipo 2, al tiempo que ofrece una complejidad computacional reducida. Sin embargo, la actualización de parámetros de perturbación en una NFNN está restringida debido a la necesidad de mantener una función de membresía regular, lo que limita su capacidad de aprendizaje. Para abordar esta limitación, proponemos una NFNN descentralizada (DNFNN) que supera los obstáculos en el proceso de actualización hacia atrás y mejora la eficiencia de la optimización a gran escala. Además, demostramos una mayor eficiencia computacional y establecemos la convergencia lineal del algoritmo descentralizado propuesto. Al integrar una red de meta-aprendizaje, mejoramos aún más la estrategia de salida de la NFNN, lo que le permite determinar de manera adaptativa la contribución de las subredes individuales. Los resultados experimentales en varios conjuntos de datos de UCI, que abarcan múltiples dominios y exhiben dimensiones y tamaños diversos, muestran que la DNFNN supera a los métodos existentes en términos de precisión de clasificación, robustez y practicidad.