由于传统方法不能有效地对复杂和不确定系统进行建模,因此需要寻找一种能够描述非线性系统的全局函数或解析结构。查德(L.A.Zadeh)提出一种有效的方法来描述不能用精确数学模型表达的复杂或病态系统。但由于非线性系统的复杂性和模糊系统是一个年轻的领域,有很多尚待解决的问题。本文紧紧围绕着非线性系统模糊建模和辨识方法展开讨论和研究。从数据中辨识模糊系统的一个实际问题是隶属函数的选择和调整。本文主要研究三种常用的隶属函数(三角形、高斯型和模糊聚类)对模型描述性能的影响。指出不同隶属函数对系统逼近性能的影响,为合理选择隶属函数提供了依据。考虑到噪声使系统很难精确建模的问题,首先提出了一种无需噪声先验知识,通过基于T-S模型的非线性噪声消除(NNC)系统来逼近未知的噪声传输函数,从而消除噪声的建模方法;其次基于可信度模糊C均值算法(CFCM)提出一种新的模糊去噪方法,由于考虑了可信度,本算法比其它的算法抗干扰性强,并可以在剔除噪声点之后得到最贴近的聚类中心。上述两种算法均通过仿真实例进行了验证。针对一般的聚类算法在确定聚类中心时都采用任意初始化,只能得到一个局部最优结果的问题,本文提出了两种基于递阶模糊聚类的模糊建模方法,克服了聚类中心任意初始化的局限性,通过一系列的步骤优化T-S模糊模型结构,实现了非线性系统的精确建模与预测。算法的有效性及实用性通过对16Mn钢轧制性能数据及混沌时间序列预测进行了验证。