众所周知,统计学习理论是目前处理小样本统计学习问题的最佳理论,并已成为继神经网络之后机器学习领域新的研究热点。然而,该理论是基于概率测度和实随机样本的,它难以处理现实世界中客观存在的非概率测度和非实随机样本统计学习问题。本文讨论了基于一类有代表性的非概率测度—Sugeno测度和一类重要的非实随机样本—模糊样本的统计学习理论。首先,给出了模糊随机集基于Sugeno测度的分布、期望的定义及性质,然后证明了模糊随机集基于Sugeno测度的Chebyshev不等式、Hoeffding不等式和强大数定律。以此为基础提出了基于Sugeno测度和模糊样本的经验风险泛函、期望风险泛函以及经验风险最小化原则严格一致性的定义,最后给出并证明了基于Sugeno测度和模糊样本的学习理论的关键定理,讨论了学习过程一致收敛速度的界,从而为系统地建立基于Sugeno测度和模糊样本的学习理论和支持向量机奠定了理论基础。