近年来,随着科技的进步,机器学习技术得到了飞速发展,在工业制造,医学诊断,无人驾驶等许多领域,我们都可以看到机器学习的影子。经济科技的发展使得机器学习面对的应用场景不断扩大,同时这也使得数据形式变得复杂:例如数据中含有较多噪声或者一些错误的内容,这给传统机器学习技术的应用带来了巨大的挑战。在众多机器学习技术中,Takagi-Sugeno-Kang（TSK）模糊系统作为一种常用的分类模型,凭借其优秀的非线性逼近性能和可解释性受到了众多学者的青睐。但是TSK在面对复杂数据场景时,模型的分类性能和泛化性尚不理想。集成的TSK模糊分类模型通常拥有比经典TSK更好的分类性能,一定程度上可以缓解这一挑战,却以牺牲模型的可解释性为代价。为了解决这些问题,本文基于知识利用原理,开展了对模糊系统的研究,主要工作如下:（1）提出了一种TSK迁移学习模糊系统（简称TSK-TL）。TSK-TL以具备可解释性的TSK模糊系统为基础,通过迁移学习的联合分布自适应策略,平衡模型学习时所面对的源域与目标域数据的分布距离,使得模型能够更加有效合理地利用好源域和目标域的信息,同时通过历史知识学习机制训练新的后件参数,使获得的模型更加有效。实验结果表明,TSK-TL能够在数据漂移场景下对目标样本进行有效识别,提高了分类精度的同时具备更强的泛化能力。（2）基于集成学习的堆叠泛化原理,本文进一步提出了一种具备栈式结构和规则优化机制的深度TSK模糊系统（Stacked TSK Fuzzy System with Rule Optimization,简称STSK-RO）。STSK-RO将多个经典一阶TSK模糊系统通过堆叠的方式集成起来,它们都有各自不同的输入和输出;同时不同的TSK模糊系统之间又相连接,即前一层的输出参与构成下一层的输入,由此形成了一种深度结构。该模型中还包含了三种与深度结构相关的机制:规则传递,规则遗忘和规则变异。在这三种机制的作用下,该模型能够在不同的层次中不断学习和优化规则结构,从而获得更通用的知识。同时,我们通过数学变换证明,该模型中间部分的一些输出被隐藏在后件中,从而保证了该模型仍然具有较好的可解释性。实验结果表明,STSK-RO具有很强的抗噪能力,可以充分挖掘隐藏在数据中的知识,排除数据中的干扰信息和错误信息从而获得良好的分类性能。