工业过程数据收集和存储技术的迅猛发展导致快速增长的大量数据，这些数据存储在数据库、数据仓库或其它种类的数据存储介质中。从海量的数据中挖掘隐藏的、有用的信息和知识，能够为工业过程的在线监测、故障诊断、模型辨识、控制策略设计和预测等提供强有力的决策支持。工业过程数据挖掘应用的主要任务是选择和建立有效的、适合工业过程数据特征的挖掘方法。基于模糊推理系统的数据挖掘方法能够使用同一模型结构(模糊IF-THEN规则)分别执行描述式和预测式数据挖掘任务，提取的规则模式易于操作人员的理解和管理者的决策支持。对于复杂的工业过程，它能够用一种自然的方式评价输入变量的重要性，以选择最相关的变量描述系统的动态行为。定义隶属度函数的灵活性有助于在不同的粒度空间上寻找系统的操作模型，挖掘工业过程变量之间内在的关系和规律，有效地解决工业过程的实际问题。论文主要的研究工作如下：(1)针对传统的、基于梯度的模糊推理系统学习方法中存在的收敛速度和振荡之间的冲突问题，以及动量项学习方法中动量项因子的选择难题，提出一种改进的、基于梯度的、用于模糊推理系统参数优化的实时学习算法(G-RTL)。通过引入与均方误差相关的动态误差传递因子，使得在相同学习率系数的前提下，与传统的、基于梯度的学习方法和动量项学习方法相比，在处理大规模样本集时具有较高的收敛速度和精度，并且学习过程是稳定的，非常适用于工业过程的在线学习。通过经典的倒车控制问题和与经典BP网络逼近性能比较的仿真结果表明本方法是有效的。(2)针对工业过程系统高维数据、非线性的特点，提出一种基于归一化方差信息的自适应模糊规则挖掘方法(NV-AMFR)。基于数据挖掘技术和Mamdani模糊模型，从一个简单的初始结构出发，使用G-RTL学习算法优化模糊推理系统的参数向量，利用优化后获得的模糊规则的置信度度量和隶属度函数归一化方差信息，确定输入空间中模糊规则的密度需要加强的区域，以及用于划分论域上模糊子集数目的需要增加的输入变量，从而可以在不同的粒度空间上有效地挖掘过程变量之间内在的联系和规律，而且还能够用一种易理解的方式评价输入变量对系统输出的影响程度，以选择最相关的变量描述系统的动态行为，给出了一个新的、更合适的模型结构。非线性函数逼近的数值例子仿真验证了本方法的有效性。(3)针对工业过程数据库中普遍存在的不一致性、不完整性和历史性，提出一种推理空缺模糊规则的最邻近扩散方法(ND-EMR)。基于模糊推理系统和样本数据分布的先验知识，使用改进的G-RTL实时学习算法，通过确定最优输出模糊子集的质心和模糊规则的置信度度量，推理样本数据未覆盖区域上的空缺模糊规则，并构造一个完备的模糊规则集，从而有效地解决了样本数据未覆盖的区域上系统的不可预测问题。结合混沌时间序列预测问题以及与WM方法比较的仿真结果，表明本方法不仅有效而且可以适于不能预测的情况。(4)基于模糊T-S预测模型，结合多种数据挖掘技术，提出一个基于数据挖掘的复杂工业过程智能控制新方法。使用G-RTL实时学习算法，快速而准确地辨识模糊T-S预测模型；基于所辨识的模糊T-S预测模型，对于批过程的受限非线性最优控制，运用平行分布补偿算法和最小值原理，把一个复杂的非线性系统最优控制设计问题转化为局部线性子系统的最优控制问题，从而给出一种有效和简单的最优模糊控制方法。将所提出的方法结合一个半连续式反应器的建模和最优控制进行了仿真研究，结果表明本方法具有较高的建模精度，并且能够获得更高的主产品产量。