目前,扩张矩阵学习已成为归纳学习的一个重要的分支。而模糊扩张矩阵是在扩张矩阵基础上引入了模糊思想,使之能处理与人的思维和感觉有关的不确定性数据,因而得到了广泛的应用。在模糊扩张矩阵的规则抽取过程中,由于生成的规则所覆盖的示例之间有一定的重叠,则引入参数α、β、γ,使之能在一定程度上减少这种重叠,从而减少生成规则的不确定性,提高分类结果的准确性。那么,如何选取这三个重要参数是本文研究的中心问题。本文首先讨论了扩张矩阵理论及其模糊扩张矩阵理论,对决策树与扩张矩阵、清晰扩张矩阵与模糊扩张矩阵进行了比较,并提出了用遗传算法进行模糊扩张矩阵参数优化的思想。进一步分析了参数对模糊扩张矩阵的分类结果在训练准确率、测试准确率、规则数等方面所表现出的敏感性,详细论述了用遗传算法进行参数优化的实施方案。最后在C++ Builder 软件开发平台及Matlab 的基础上,通过实验对这种方法进行了验证。实验结果证明,利用遗传算法得到的参数较优,可以使模糊扩张矩阵的分类结果达到较好。所以,利用遗传算法获得优化参数是人们在用模糊扩张矩阵以获得最优分类结果的一个良好方法。