该文提出一种新型的集成TSK模糊分类器(IK-D-TSK)，首先通过并行学习的方式组织所有0阶TSK模糊子分类器，然后每个子分类器的输出被扩充到原始(验证)输入空间，最后通过提出的迭代模糊聚类算法(IFCM)作用在增强验证集上生成数据字典，从而利用KNN对测试数据进行快速预测。IK-D-TSK具有以下优点：在IK-D-TSK中，每个0阶TSK子分类器的输出被扩充到原始入空间，以并行方式打开原始(验证)输入空间中存在的流形结构，根据堆栈泛化原理，可以保证提高分类精度；和传统TSK模糊分类器相比，IK-D-TSK以并行方式训练所有的子分类器，因此运行速度可以得到有效保证；由于IK-D-TSK是在以IFCM & KNN所获得的数据字典的基础上进行分类的，因此具有强鲁棒性。理论和实验验证了模糊分类器IK-D-TSK具有较高的分类性能、强鲁棒性和高可解释性。