基于规则的语言模糊模型具有较高可解释性，但是由于对规则结构有严格的限制所以其模型的适应性不强因而精度低。相反，基于规则的贴近度模糊模型由于没有严格的规则限制而具有适应性强的特点，但是可解释性低。所以，在基于规则的模糊模型建模过程中，通常会遇到两个相互矛盾的需求，即模型的可解释性和精确性。对于有些复杂问题，人们应用模糊建模不但要求精确反映系统的输入／输出关系，而且希望通过建模过程以及模型的结构和参数提高对象的认知性和描述性(即认知建模过程)；同时模糊模型作为知识表达器，也要求其具有可理解性。本文就是在这一背景下开展可理解性模糊建模——语言模糊建模方法研究，力图使模型获得较高精确性的同时，不丢失模型的语言描述能力。本文首先介绍了关于语言建模的一些基础理论知识，阐述了有关语言模型的基本概念及基本结构和推理机制。然后从语言模型自身的特点出发(具有很好的对象描述性和认知性，但其在面向复杂对象时精确性比较低)，展开语言模型的可解释性和精确性平衡策略研究，首先本文采用语言算子加权的规则结构，其次本文采用正交三角隶属函数，并对语言值的选取进行智能学习，使其符合各对象变量的本质特征，然后精简语言模型的推理计算，从而改善语言模型的精确性。最后将语言模型和计算智能方法相结合，提出基于模拟退火和遗传算法的混合智能语言模型学习方法，并把这一建模方法运用到变压器DGA数据预测和变压器运行状态识别语言建模中，所建立的模型表现了较好的精确性和推广能力，弥补IEC方法的不足。