深度学习能够学习海量数据的内在规律和表示层次,是在于其优异的特征学习能力,但复杂的神经网络构架,导致深度学习面临着诸多挑战,例如:可解释性较差,学习结果无法修正等;模糊系统的优势则在于可解释性,能够模仿人类的知识推理过程,通过增加额外的规则可以修正学习的结果,但也存在参数优化困难、难以直接处理高维数据等问题。因此,通过结合深度学习的特征学习能力和模糊系统的可解释能力,提出各种兼具深度学习和模糊系统优点的新模型已成为当下国内外研究的热点。本文的相关研究主要集中在以下几个方面:1)针对卷积神经网络中隐藏层的深度特征表征能力不足和可解释性较差的问题,提出了基于增强深度特征的TSK（Takagi-Sugeno-Kang）模糊分类器（ED-TSK-FC）,ED-TSK-FC使用1D-CNN（One-Dimensional Convolutional Neural Network）自动提取原始数据的深度特征与潜在类别信息,并将深度特征和潜在类别信息合并为增强深度特征,在模糊规则的前件部分使用FCM（Fuzzy C-means Algorithm）算法进行模糊域划分,并引入岭回归极限学习算法对后件参数进行求解。然后,提出了ED-TSK-FC的一种廉价训练方法。在Bonn癫痫数据集上,分别从分类性能,学习效率和可解释性三方面,验证了ED-TSK-FC的优势。2)以原始数据和深度特征融合为基础,提出了一种基于多层次特征融合的深度TSK模糊分类器（CNN-TSK-FC）,来进一步提高模型的准确性和可解释性。在我们提出的架构中,它主要由一个基于卷积神经网络的特征学习模块和一个基于TSK模糊分类器的知识推理模块组成。从模糊规则的角度来看,CNN-TSK-FC本质上是一种新型的深度TSK模糊分类器,利用深度特征来缓解模糊规则组合爆炸问题,通过使用原始数据进行模糊规则的后件学习来提高模型的性能和可解释性。实验证明,该方法在CHB-MIT数据集上具有良好的准确性,敏感性,特异性和可解释性。3)针对ED-TSK-FC和CNN-TSK-FC知识传递不充分的问题,构建了一种基于卷积神经网络的再生TSK模糊分类器（CNNBa TSK）,利用模糊规则将从卷积神经网络中获取的暗知识（软标签信息）以可解释的模糊规则表达出来。软标签信息被划分为五个固定的模糊空间,不同模糊规则中每个软标签信息的中心分别为0,0.25,0.5,0.75,1,且对应的语言解释分别为very low,low,medium,high,very high,提出了一种基于知识蒸馏的最小学习机算法LLM-KD（Least Learning Machine with Knowledge Distillation）训练模糊规则的参数。在基准数据集和CHB-MIT数据集的实验表明,CNNBa TSK能够提高分类性能,并提供可解释性。