分类以及属性选择问题是模式识别和机器学习等领域的重要研究内容。分类是通过对已经确定类别的数据进行分析建模,然后根据所建立的模型对需要确定类别的数据进行归类的一项技术。属性选择作为分类技术的数据预处理环节,能够删除冗余和干扰属性,极大的简化了分类器的构建过程,在分类技术中发挥着越来越重要的作用。直接从数据提取模糊规则的方法自1992年由学者Lixin Wang和Jerry M. Mendel提出以来,一直是模糊智能领域的经典算法。本文将该算法的适用条件拓展到离散型输出系统中并在此理论基础上设计了基于数据的模糊规则分类器。在分类器的预处理阶段,提出了基于邻域的贪婪属性选择算法,该算法能够从原始属性集中选择出重要性最大的r种条件属性,降低了分类算法的复杂度,提高了分类器的构建效率。在规则库的去冲突规则的简化过程中,提出了一种新的置信度计算方法：计算生成每条规则的样本个数占总样本集个数的比值,将该比值作为该规则的置信度。新方法和传统置信度方法在10组UCI数据集上的Friedman检验和Holm检验结果表明,新的置信度计算方法显著的优于传统置信度方法。最后应用了剪枝算法再次简化了规则库,提高了规则库的质量。在7组UCI数据集上对本文分类器性能进行了检验,并与其他五种决策树分类器在准确率和规则数上进行了比较。实验结果表明,本文建立的分类器在7组数据集上的平均分类准确率高于其他五种分类方法,并且能够用较少的规则对数据的每一个类别的特征进行准确的描述,分类性能优于其他五种决策树方法,并且结构简单,语义性好,通用性强。