模式识别是信号与信息处理的一个重要应用领域，随着人工智能在50年代的兴起，模式识别的发展更为迅速，应用更为广泛。它所研究的理论和方法在很多科学和技术领域中得到了广泛的重视，推动了人工智能的发展，扩大了计算机应用的领域。 模式识别就是在面对某一具体事物时将其正确地归入某一类别。基于统计方法的模式识别系统主要由数据获取、预处理、特征提取和选择、分类决策和分类器设计四部分组成。 分类器设计在模式识别中是非常重要的也是很关键的一个环节。目前分类器的设计方法很多，比较常见的有：多级分类器(树分类器)、K—均值分类器、K—近邻分类器、模糊分类器以及基于神经网络的分类器等等。由于现实世界的多样性和复杂性，单靠某一种方法往往不能达到很好的分类效果，通常是几种方法结合起来使用，这是目前从事模式识别研究的一种方向。 基于模糊K—均值算法的模糊分类器就是把目前比较常用的模糊K—均值算法的分类器再一次与模糊分类器相结合而得到的一种分类器。它是一种很有效的模糊分类器，以至于训练样本能够很正确的分类。在这种方法中，首先用模糊K—均值算法把训练样本分成几个群，并且每一群的中心和半径都被计算出来。然后，设计一个用模糊度来表示群的模糊系统。这样就有效地构建了一个能对训练样本比较准确分类的模糊分类器。用这种方法设计的分类器有以下几个特点：(1)它不需要预定义参数；(2)训练时间比较短；(3)这种方法简单。 最后用两个例子对这种模糊分类器进行验证和分析。