近年来,以机器学习为核心的人工智能技术正在不断渗透到工业、农业、医疗卫生等生产和生活的多个领域,并即将因此而掀起对人类社会影响深远的新一轮工业革命。机器学习在现实中的成功的应用案例层出不穷。然而,在这些实际应用中,现有的机器学习方法在某些方面的欠缺却越来越明显。由于已有的关于机器学习方法的研究主要关注其性能而很大程度上忽略了其可解释性,导致现有的机器学习方法由于可解释性的欠缺而在某些场景的应用受到限制。而对于具备可解释性的模糊系统,在已有的研究工作中也体现出性能与可解释性互相制约的问题。针对该挑战,本文聚焦于具备可解释性的模糊分类方法,试图探索提高其可解释性、分类性能和泛化性能的方案,从而促进机器学习方法在现实中更广泛的应用。本文的主要研究成果如下:（1）通过证明高阶Takagi-Sugeno-Kang（TSK）模糊分类器与可解释的0阶TSK模糊分类器深度集成的等价性,提出了一种新的可解释的高阶TSK模糊分类器Deep high-order TSK fuzzy classifier（DHO-TSK）的堆栈结构及其深度学习方法。DHO-TSK可以通过将可解释的0阶TSK模糊分类器以一种特殊的堆栈方式组装起来来构建。每个0阶TSK模糊分类器可以通过随机选择输入特征,从一个固定的模糊划分中随机分配一个模糊规则前件子集到每个选择的输入特征,然后将每个TSK模糊分类器的输出乘以一个随机选择的特征来学习。除上述坚实的理论等价性外,DHO-TSK中每个模糊规则的后件部分由于采用了栈式集成而变得可解释,且DHO-TSK中每个层的输出表达式变得可理解;其增强分类性能可以在一个特定的时间内实现分层深度学习方法;另外,DHO-TSK算法对特征的随机选择和模糊隶属度函数的选择都具有自适应性。（2）提出了一种新的设计方法,即fuzzy-knowledge-out概念及其诱导的宽度学习机制。类似于深度学习中的dropout概念,TSK模糊分类器中的fuzzy-knowledge-out概念对应于生物神经网络中知识的触发模式。理论分析表明,从一组完全可解释的模糊规则中提取模糊知识后建立的模糊分类器具有独特的泛化能力和避免联动自适应能力。因此,提出了一种以宽度学习方式构造的高可解释性0阶TSK模糊分类器集成方法,以实现增强的分类性能和高度可解释性。所得到的模型称为宽度学习TSK（wide learning TSK fuzzy classifier,WL-TSK）,其中每个高度可解释的0阶TSK分类器作为WL-TSK的子分类器,通过fuzzy-knowledge-out构造,然后使用快速学习算法进行快速训练。由于所有子分类器中所有模糊规则的简单并集,即每个最终模糊规则的后件部分被视为具有相同前件部分的模糊规则的每个后件部分的一半或平均值的总和,这样一个集成结构的行为就像只有一个TSK模糊分类器一样。因此,该方法可作为TSK模糊分类器的一种新的设计方法。（3）将在TSK模糊分类器设计中关于dropout的工作,即fuzzy-knowledge-out,扩展到广义概念,即具有动态补偿的模糊规则dropout。这种扩展是由人脑中所有知识片段的非常复杂的触发模式所驱动的,即针对不同情况的二值或连续或二者组合的随机方式。理论分析表明,该广义概念能较好地封装模糊规则的各种随机丢失,更符合人类的认知行为,具有更强的泛化和抵抗协同适应的能力。基于这一概念,我们提出了一种TSK模糊分类器的宽度学习算法。（4）提出了一种新的0阶TSK模糊分类器知识对抗攻击模型。该模型是在训练可解释的0阶TSK模糊分类器时,从类似人类思维过程的角度出发,利用特殊知识对抗攻击的存在性。与基于输入或输出扰动的对抗性攻击不同,该模型不直接使用对抗性样本,而是考虑了可解释的0阶模糊规则在知识遗忘和/或知识偏差或兼具二者的对抗性扰动,以模拟人类思维过程中知识的稳健使用方式。通过动态正则化,该模型具有较强的泛化能力。针对0阶TSK模糊分类器,提出了一种新的知识对抗训练方法（Knowledge adversarial training method,KAT）。