自Zadeh提出模糊集理论以来，模糊集理论已成为描述和处理事物的模糊性和系统中的不确定性，以及模拟人所特有的模糊逻辑思维功能的一个强有力工具。模糊逻辑是AI的一个重要领域。可以说一个模糊系统是一个基于模糊逻辑的系统。基于规则的模糊系统可以分成两种形式：近似的和描述的。前者主要关心精确度和灵活度，而后者更注重可解释性。精确度与可解释性的折中是目前模糊建模中一个重要研究课题。知识获取的基本任务就是为专家系统获取知识，可以是预测模型和描述模型（分类、聚类、关联模式等），从而建立起有效的知识库，以满足求解问题的需要。人类在许多应用领域中不能够从大量数据中提取知识，促使人们研究基于规则的模糊系统的知识表示和获取的计算机技术，这是基于数据驱动的模糊建模的本质。它在许多领域中得到了广泛的应用，如模式识别、数据挖掘、分类、预测和过程控制。到了九十年代，模糊系统尽管有着许多成功的事例，但大多数模糊系统都利用了专家知识，缺乏一定的学习能力，由此人们对增强模糊系统学习能力的研究产生了浓厚的兴趣。两个最成功的方法是在模糊系统中应用了软计算领域中的神经网络和进化算法，产生了神经模糊系统和遗传模糊系统。过去的十年里，模糊逻辑和进化计算的结合是一个值得研究的领域。进化计算是基于遗传学和自然演化思想的一个解决优化、搜索和学习问题的有效方法。进化学习过程涵盖了从隶属度函数的参数确定到规则库学习的不同层次。除此之外GA仍是一个重要的知识获取手段。因此将微调技术和适应性引入模糊系统，促进了模糊系统研究和应用进一步发展。本文以模糊逻辑、进化算法为背<WP=99>景，从两种类型的模糊系统出发，分别研究模糊系统的进化建模方法，同时处理模型的精确度和可解释性的平衡与折中问题，以便从数据中获取基于规则的模糊模型用于分类和系统识别。本文的主要研究结果如下：概述了模糊集算子、模糊蕴涵和模糊推理以及模糊系统的概念和特性，以及模糊建模和进化学习方法，以此作为研究遗传模糊系统的理论和实践的基础。提出了把模糊聚类和遗传算法相结合解决TSK模糊模型的识别问题。首先采用模糊c-均值聚类的方法生成规则的前件参数，用权值化的递推最小二乘法局部地确定后件的参数，利用相似性分析进行规则库的约简－规则的组合和规则的删除；一个遗传算法编码了模型前件的隶属度函数参数和后件参数，动态地确定了遗传算法的搜索空间，从而进行最后的参数学习。模拟数据的实验表明模型不仅简洁而且具有很高的精度。在单值模糊系统的框架下，研究了从复杂高维数据获取基于规则的模糊系统的分类模型。为了提高语言建模能力，文中提出了多阶段FRBS学习中一种粒度混合的层次规则生成方法，并采用遗传算法进行规则的选取和权值的确定，即把二进制（规则的选取）和实值（权值）放在一个染色体中，采用适当的遗传操作进化染色体的两个不同部分。实验表明此方法能很好地处理解释性和精确度间的折中问题。本文基于协同进化思想，利用遗传算法和遗传程序设计的两个不同群体协同生成一个基于规则的进化模糊系统，并对不同隶属度函数的进化算法在分类问题上的性能进行了比较。此方法可提供一个有效灵活的、可理解的模糊系统。