人工智能技术发展已近70年,在此期间各种智能化方法被提出用于解决各种实际应用问题,其中模糊识别技术及模糊智能系统建模技术在医疗、控制、经济等领域得到了广泛的关注及使用。然而,随着人们生活及科技水平的提升,越来越多的新应用场景被发现。在众多新应用场景中,多视角应用场景及迁移应用场景对人们的生活和生产有着广泛的影响,本课题将主要关注上述两个新兴的应用场景。在上述两新应用场景下,经研究我们发现一些经典的模糊识别技术及模糊智能系统建模技术的性能变得不再可靠,其通常面临以下几个挑战:1)在多视角应用场景下,由于经典的模糊识别技术及模糊智能系统建模技术均是在单视角学习场景下提出的,它们本身不具备多视角协同学习的能力,若执意选择这些经典方法进行多视角学习则只能在每个视角上独立学习,从而得到无法令人满意的结果;2)在迁移应用场景下,由于生产的保密性或一个产业本身就是一新兴产业以往并无数据积累,这使得经典的模糊识别技术及模糊智能系统建模技术在对该产业进行数据处理或学习建模时可用数据极少,从而导致经典方法的失效。为解决经典的模糊识别技术及模糊智能系统建模技术在面对上述新兴应用场景时所面临的问题,本课题将主要分两大部分分别在多视角及迁移场景下对模糊识别技术及模糊智能系统建模技术的相关方法做出适当的改进以期提高模型的性能,具体如下:(1)第一部分为第2至4章节,主要探讨了模糊识别技术及模糊智能系统建模技术在多视角领域的应用。首先,在第2章节针对一种已有的基于模糊聚类算法的多视角模型Co-FKM所存在的问题,基于Havrda-Charvat熵理论重新构造了新的多视角协同学习方法即异视角空间划分逼近准则,并针对多视角场景下各视角存在差异性的问题,基于香农熵理论提出了多视角自适应加权策略,进而提出了一种熵加权多视角协同划分模糊聚类算法EW-Co P-MVFCM。其次,基于第2章节关于多视角模糊聚类的认识,于第3章节基于先前的模糊聚类工作即GIFP-FCM算法,提出了一种具备多视角协同学习能力的基础算法Co-FCM,所提出的Co-FCM算法引入了4种不同的协同度量函数用于拓展方法的应用范围,进一步地,考虑到各视角存在的差异性而在基础的多视角模糊聚类Co-FCM算法上又加入了视角加权机制得到了最终的WV-Co-FCM算法,该算法较之Co-FCM算法不仅获得了最佳视角的辨识能力,同时还拥有了更佳的聚类性能。最后,于第4章节,探讨了模糊智能系统建模技术在多视角领域的应用,具体地先提出了一种基于大间隔分类机制的单视角模糊分类模型TSK-FC算法,并以此算法作为基础模型通过融入多视角协同学习机制得到了一种具备双视角协同学习能力的TSK模糊分类模型Two V-TSK-FC,该模型通过协同学习机制能够在建模过程中利用各视角独立信息的同时进一步利用视角间的关联信息增强算法的性能。(2)第二部分为第5至7章节,主要探讨了模糊识别技术及模糊智能系统建模技术在迁移学习领域的应用。首先,第5章节针对非充分数据集(数据贫乏)及噪声对最终聚类结果产生严重干扰的问题,依旧基于本章节所提及的一般化的增强模糊划分聚类算法(GIFP-FCM),以此算法为基础通过在该算法中融入具备聚类特性的迁移学习机制以使得GIFP-FCM算法获得迁移能力,最终得到迁移GIFP-FCM算法T-GIFP-FCM。其次,针对传统模糊系统建模方法在迁移场景下存在的问题,以广泛应用的TSK型模糊系统作为研究对象,探讨了具有迁移学习能力的模糊系统,即TSK型迁移学习模糊系统,所提的迁移学习TSK模糊系统不仅能充分利用当前场景的数据信息,还能有效地利用历史相关场景所积累得到的知识对当前源场景的建模过程进行辅助学习,从而提高模型的泛化性能。最后,第7章节进一步地针对第6章节提出的TSK型迁移模糊系统在模糊前件参数和后件参数迁移学习时所存在的一系列问题提出了相应的改进方案,具体地结合第5章节提出的迁移模糊聚类理论以及一种改进的迁移学习后件学习机制,提出了一种增强知识迁移的TSK迁移学习模糊系统,该方法的提出有效地将迁移聚类和迁移模糊系统建模相结合,使得模糊系统的建模过程更为智能且学习能力更为优秀,同时该方法的提出也为迁移学习在智能建模领域的发展提供一种新的研究思路。