本文主要研究的是基于T-S模糊模型的辨识方法。在由模糊c均值聚类算法和递推最小二乘算法组成的传统辨识方法的中，前、后件参数分别基于不同的目标函数来辨识，导致最终得到系统整体参数只是T-S模糊模型辨识目标函数的一个局部最优解。且模糊c均值聚类算法受初始值影响较大，不同的初始值会导致得到不同的前件参数，给系统建模带来一定的不确定性。为了解决这些问题，对将前件参数和后件参数同时基于T-S模糊模型辨识目标函数进行优化的数据驱动辨识方法进行了探讨。通过三个著名的基准数据集的仿真实例来验证数据驱动算法的性能，并证明其用于非线性系统建模的有效性。相对于传统辨识方法，数据驱动辨识算法能够显著地提高T-S模糊模型的辨识精度，并且在规则数一定的情况下得到的系统模型具有确定性。　　通过对数据驱动辨识算法原理分析发现该算法中新规则的中心是从模型的训练数据中选出来的，这样会带来一定的局限性，分析认为在新规则中心的周围还存在更优的点。为了解决这一问题引入遗传算法对得到的系统T-S模糊模型的整体参数进行精调，通过仿真实验结果证明经遗传算法优化后的模型有更高的辨识精度和泛化能力。同时，还将由传统辨识和数据驱动辨识得到的系统模型经遗传算法优化后的模型进行了比较，证明了数据驱动辨识算法和遗传算法组成的混合辨识方法具有更高的辨识精度和泛化能力。　　最后将这种混合辨识算法应用到了光纤陀螺稳定平台的外环框架系统的建模中。仿真实验结果显示，相对于传统的辨识方法，数据驱动辨识方法能够获得更高辨识精度的模型，经遗传算法优化后的T-S模糊模型具有更高的辨识精度和泛化能力。