回归模型作为数据分析领域的一个重要研究方向,已被广泛应用于医疗、航空航天和工业生产等多个领域。随着研究对象的日益复杂,为更全面刻画系统的特征,许多学者将粒计算思想引入到系统建模过程中,构造输出为不同形式信息粒的模型,相应模型不仅可以拟合建模数据,还可以为建模结果提供语义解释。本文将区间信息粒化技术用于Takagi-Sugeno（TS）模糊系统建模和可解释性分析过程中,论文主要研究内容如下:首先,本文提出了一种基于TS模糊规则的直接粒度模型,该模型与传统的粒模型相比,不需要事先构建数值模型,而是从模糊系统的规则出发抽取前件隶属度与后件输出组合成权重数据,再通过权重数据生成信息粒。直接粒度模型在构建过程中不增加模型的参数数量,减少了模型的复杂度。然后,本文建立了一种改进的粒模型评价指标,该指标能够反映输出信息粒与目标值之间的距离偏差,使得模型的训练过程更加高效。在此基础上,设计了自适应确切度权重的区间粒模型。数值仿真结果表明,所设计的模型能够有效覆盖数值样本信息。其次,本文将TS模糊系统应用在宽度学习系统的特征提取中,通过对输入数据进行聚类,提取数据的多种特征进而构造了改进的模糊宽度学习模型。随后,对输出空间添加粒度分配模块,建立了基于粒度输出空间的模糊宽度学习系统模型。针对粒数据,本文还设计了一种直接通过粒数据训练的模糊宽度学习系统。通过对不同类型数据集进行数值仿真,测试结果例证了所提方法的有效性。