自从模糊集合的概念出现以来,由于其能够充分地利用人类或专家知识来处理系统中存在的各种不确定性,使其在各个研究领域中得到了越来越多的应用。特别是模糊逻辑系统,已广泛应用于建模和控制领域。然而,在系统建模或控制过程中,当输入变量维数较高时,模糊逻辑系统不可避免地面临规则爆炸问题,在这种情况下,很难实现模糊规则的建立以及系统参数的优化。为解决以上问题,本文提出了基于数据与知识的模糊系统的设计方法,其主要研究内容如下:首先,详细介绍了单输入规则模块加权模糊推理系统的结构及其单调性性能,并在此基础上,提出了一种基于数据与知识的单输入规则模块加权模糊推理系统的设计方法。该方法在嵌入知识的基础上,运用基于数据的参数学习策略对系统的参数进行优化。将该方法应用于热舒适性预测,仿真和比较结果证明了该方法对于热舒适性预测的有效性,并且比一些其他现有方法表现得更好。其次,研究了单输入规则模块加权模糊推理系统的扩展结构—函数形单输入规则模块模糊推理系统(FSIRM-FIS),并在此基础上加入神经结构,提出了一种函数型单输入规则模块加权神经模糊系统(FSIRMNFS),此系统结合了FSIRM-FIS和神经网络两者的优点。同时,为了得到系统的最小训练误差和最佳参数,提出了一种基于最小二乘法的参数学习算法。将提出的FSIRMNFS及其参数学习算法应用于小时风速预测,仿真和比较结果验证了该系统对于小时风速预测的有效性。最后,提出了一种数据驱动的二型模糊逻辑系统的构建方法。首先通过自适应神经模糊推理系统(ANFIS)构建一型模糊逻辑系统,再通过集成构建的多个一型模糊逻辑系统得到二型模糊逻辑系统。将此方法构造的二型模糊逻辑系统应用于风速预测问题,并与常用的BPNN和ANFIS方法进行比较,仿真和比较结果表明,所提出的方法在达到类似性能的同时,大大减少了训练时间。随着数据量的爆炸性增长,该方法还有效地减少了二型模糊逻辑系统的建模时间。