本文围绕专家系统知识获取、知识获取方法的集成和模糊规则库管理和推理，研究了基于支持向量机(Support Vector MacVline，SVM)的模糊规则自动获取方法，并结合软件组件模型、XML、软件体系结构等理论和方法，实现了基于组件的模糊推理系统。 支持向量机是上世纪九十年代提出的一种基于小样本的新的统计学习方法。本论文通过引入基于SVM的多类分类方法来解决从数据库中提取特征样本的问题，并证明了SVM与模糊规则模型在分类问题上的相似性，从而为本文提出的模糊规则自动获取方法奠定了坚实的理论基础。 模糊分类是模糊集合理论的一个重要应用。模糊分类规则被广泛认为是分类知识较好的表示，与人类表达的知识类似，具有可读性和解释性。模糊分类在图像处理、文字识别、语音识别、文本分类、遥感、气象及工业自动化控制等许多领域得到广泛应用。模糊划分和模糊分类规则的自动产生，分类规则的表达式，分类规则的调整及分类识别率的提高是模糊分类模型研究的关键问题。论文中，提出了模糊集合划分密度的确定方法，介绍了模糊规则提取算法和模糊规则集合调整方法，对专家系统与模糊分类方法相结合也进行了介绍。 本文通过正交实验对模糊施肥预测系统进行检测，并将实验结果与常用的回归方法、神经网络和遗传规划进行了对比，从对比结果证明了，本文提出的模糊规则自动获取方法与正交实验样本相结合的模糊施肥预测系统无论在准确度，知识获取速度，还是在规则可解释性上均优于上述三种对比实验方法。