在数据分类问题中，面对的是大量原始数据，需要从这些原始数据中提炼出相应的数学模型，在此基础上找出其中隐藏的规律。这些问题很难用传统的确定型模型来描述和基于精确的数学方法来求解。而描述成模糊优化问题往往更为合适。　　 模糊优化方法本质上是多目标优化问题，而遗传算法是解决多目标问题的一种有效方法。模糊优化特别是基于动态模型的模糊优化中的遗传算法有其特殊的本质，有必要加以深入研究。　　 本文研究了两类典型的智能算法—模糊优化和遗传算法。将基于遗传算法的模糊分类算法应用于基于回归方程的数据分类中，得到了飞边尺寸设计准则挖掘;将基于遗传算法的模糊分类算法应用于基于模糊神经网络的数据分类算法中，获得了飞边金属消耗设计准则。从而验证了基于遗传算法的模糊优化算法的有效性。　　 本文的主要研究内容如下:　　 (1)阐述了几种主要的分类算法，探讨了模糊分类基本问题，给出三种模糊分类规则表达方式，包括基于回归方程的规则表达、基于神经网络的规则表达和基于自然计算的规则表达。　　 (2)探讨了模糊优化相关概念;讨论了传统模糊优化问题。重点研究模糊分类算法中的模糊优化模型（基于回归方程的模糊优化模型和基于神经网络的模糊优化模型）及建模基本方法和步骤。针对上述两类模糊优化问题，构造了以模糊逻辑形式表示的模糊优化模型。　　 (3)阐述简单遗传算法的基本思想和基本步骤。提出遗传算法的若干改进措施，包括改进策略、遗传参数适应性调整（包括确定性的适应性调整和自适应的适应性调整）和沿加权梯度方向的变异。　　 (4)详细论述了基于回归方程的模糊分类算法及其在飞边尺寸设计准则挖掘中的应用。用基于回归方程的模糊分类算法求解了飞边尺寸设计准则挖掘问题。对基于回归方程的模糊分类算法进行了如下分析比较:对该算法的稳定性进行了校验，并将该算法与利用最小二乘法实现的挖掘算法进行了比较，结果表明，该算法速度快，精度高，稳定性好。　　 详细论述了基于神经网络的模糊分类算法及其在飞边金属消耗设计准则挖掘中的应用。用基于神经网络的模糊分类算法求解了飞边金属消耗设计准则挖掘问题。对神经网络模型辨识算法进行了如下分析比较:对该算法的稳定性进行了校验，并将该算法与利用梯度下降法实现的挖掘算法进行了比较，结果表明，该算法速度快，精度高，稳定性好。　　 最后，对本文的工作进行了总结并对今后可能的研究方向进行了展望。