对医学影像数据的研究是近年来临床辅助诊断的重要手段之一。由于医疗设备的多样性和医学影像数据的复杂性,需要处理的数据量也随之增大。这也使得医护人员的工作负担日益加重。医学影像具有信息量大、特征复杂等特点,传统的人工处理方式往往很难挖掘和提取影像中的有效信息,也难以厘清特征之间的内在关联。一些机器学习方法可以快速对医学影像分类,但很难获取令人满意的语义可解释性。因此,为了获取令人满意的分类性能和良好的语义可解释性,本文以经典的Takagi-Sugeno-Kang（T-S）模糊模型为基训练单元（training-units）构建多层次的T-S模糊决策模型,研究不同训练层次之间特征信息的传递和模型参数的获取方法。本研究从睡眠障碍分类问题和急性放射性皮炎严重性等级评估问题出发,对经典0阶T-S模糊分类器进行优化。本研究构造由多个优化的0阶T-S模糊分类器组成的层次化T-S模糊分类器,旨在探讨多层次学习模型决策信息的传递方式和相邻training-units的制约关系。同时,本研究还通过优化模糊规则前件参数和后件参数来改善模型的分类性能和泛化性能,从而为临床辅助诊断提供参考。本文的研究内容大致概括如下。（1）对于层次化T-S模糊分类器,如何增强相邻training-units之间一致性,本文采用优化岭回归法来解决同一个training-unit内部和相邻training-units之间的逼近问题。针对如何利用已训练training-units的决策输出问题,本研究提出一种定量化集成输出的策略可快速获得令人满意的整体分类性能。当面对实际应用场景中的睡眠障碍分类问题,该模型可通过训练部分样本来减少训练模型的输入,以达到提高分类模型性能的目的。本研究还提出将已训练training-units的决策结果输出随机投影到后一training-unit的训练样本中以快速打开原始数据空间的流形结构。此外,本研究采用等间距划分模糊分区和选择隶属度较大的特征的方式,以实现保持良好的语义可解释性的目的。（2）对于多层次训练结构,如何获取令人满意的规则决策信息,本研究提出一种部分优选连接机制增强模型的表达能力,减少模型的时间复杂度。由于急性放射性皮炎数据呈现高维且训练样本量大的特点,本研究设计一种特征优选和输出的随机组合策略减少冗余特征对分类性能的影响。特别地,该设计策略不仅提高模型的分类性能,还使得每一个training-unit的输入集与原样本集保持相同的物理意义,从而保证训练模型输出的语义可解释性。最后,本论文引入主客观权重组合的集成赋权法来求解整个模型的输出,使模型达到良好的整体分类性能。