现今,深度学习凭借其优异的性能广泛地应用于医疗、交通、国防、工业、农业等诸多领域,正飞速地改变人们传统的生活方式和习惯。然而,深度学习模型复杂,训练代价高,可解释性差,易受对抗样本攻击,这些缺点给现今广泛应用的智能系统带来了巨大的隐患,限制了深度学习的进一步应用。因此,构建可解释、轻量级机器学习模型的需求越发强烈。模糊系统,也称模糊神经网络,可通过模糊集和规则与人类的决策方式建立联系,是一种能满足该需求的机器学习算法。然而在现阶段,传统的模糊系统优化算法逐渐难以适应日益复杂且庞大的数据量,使得模糊系统在主流机器学习算法中失去了竞争力。针对该问题,论文参考其它机器学习算法尤其是深度学习的前沿理论和技术,基于小批量随机梯度下降优化,在保持模糊系统原有可解释结构的前提下,探索如何提高Takagi-Sugeno-Kang（TSK）模糊系统的性能。论文的主要研究成果如下。针对TSK模糊系统性能不足的问题,提出了基于均匀正则化和批标准化的模糊系统算法,其中包含两项改进:（a）提出均匀正则化方法,强制要求各规则的平均归一化激活度一致,避免只有少数规则主导预测结果;（b）提出在TSK模糊系统中使用批标准化层对规则后件输入做标准化以加快模型收敛速度。训练后将批标准化层的参数整合到规则后件参数中,即可保持原有TSK模型结构不变。实验结果显示,二者结合可显著提高TSK模糊系统性能。揭示了TSK模糊系统面临维度灾难问题的原因在于:归一化激活度的计算可等效为一个归一化指数函数,而该函数的输入会随维度升高单调递减,导致该函数饱和,造成规则利用率降低、损失地形图崎岖等问题。针对这一问题,提出了基于高维去模糊化的模糊系统算法,在去模糊化层面缓解饱和问题。实验结果显示,高维去模糊化算法可显著提高模糊系统在高维问题上的性能。揭示了TSK模糊系统使用不同梯度下降算法时效果差异显著的原因在于:规则数增多造成归一化激活度减小,进而导致规则后件参数出现梯度消失问题,模型容易陷入局部最优解。针对这一现象,提出了基于层标准化的模糊系统算法,使用层标准化放大归一化激活度,并使用线性整流函数过滤层标准化产生的负激活度规则以保持可解释性并提高鲁棒性。实验结果显示,基于层标准化的模糊系统算法在不同梯度下降算法和不同规则数上都可显著提高性能,且极大地消除了不同梯度下降算法带来的性能差异。针对脑机接口应用场景,提出了深度模糊系统算法和多层次预测平滑方法,基于脑电信号实时监测驾驶员疲劳状态。为提高模型泛化性能,深度模糊系统算法采用多层神经网络作为特征提取器并在训练中动态丢弃通道特征,以高维去模糊化算法为回归器并动态丢弃规则。多层次预测平滑方法融合了特征层面和标签层面共三种平滑方法,极大地消除了噪声对模型预测的干扰。实验结果显示,深度模糊系统算法效果显著优于单独使用深度神经网络或模糊系统,多层次预测平滑方法可进一步提高深度模糊系统算法性能。综上,论文发现并解决了模糊系统在使用梯度下降优化时会遇到的一系列问题,所提算法简单通用且有效,可借助现有机器学习库快速实现。另外,论文还在脑机接口实际场景中对部分所提算法的有效性再次进行了验证并取得了最优效果。