模糊系统具有处理不确定或者不完备信息的能力,并能够融合专家知识,通过易于理解的方式描述实际问题,因而,被广泛应用于模式识别、数据挖掘等领域。本文针对模糊系统的精确性和解释性进行研究,采用烟花算法优化模糊模型的结构和参数,目的是建立精确性和解释性较好折衷的模糊模型。介绍了模糊系统的结构及其特征。针对Takagi-Sugeno模糊系统和模糊分类系统,阐述了模糊规则的结构及其组成参数,介绍了模糊系统的输出计算方法。从输入变量、模糊集合、模糊规则三个方面定性分析了模糊系统的解释性。对于高维系统,首先对特征变量进行选择,以降低系统的维度。模糊建模过程主要包含两部分:初始模型的构建和模型的优化。采用模糊C均值算法构建初始模糊模型,然后采用烟花算法对模型的结构参数进行优化,提高模型的精确性和解释性。在优化过程中,采用相似相融原理约简模型的规则和集合,在满足精确度要求的前提下,提高模型的解释性。采用基于模糊聚类和烟花算法的模糊建模方法,对一类二阶非线性系统和三类典型分类问题进行实验仿真。为了进一步提高模型的优化效果,对烟花算法进行改进,将烟花算法和差分进化算法相结合,加强种群中个体之间的联系,提高种群的多样性,扩大搜索空间,避免过早成熟收敛。在优化迭代过程中,根据精确性和解释性的目标函数值,利用非支配排序算法和密集度评估算法对个体进行排序,并结合Pareto最优解集的概念对子代进行选择。采用该模糊建模算法对一类二阶非线性系统和三类典型分类问题建立相应的模糊模型进行实验仿真,并将实验仿真结果与其它建模方法进行比较,比较结果验证了该建模方法能够在保证较高精确度的前提下,建立结构简单、易于理解的模糊模型。