自Zadeh提出模糊集理论以来，模糊集理论己成为描述和处理事物的模糊性和系统中的不确定性，以及模拟人所特有的模糊逻辑思维功能的一个强有力工具。模糊逻辑是AI的一个重要领域。可以说一个模糊系统是一个基于模糊逻辑的系统。其中，精确度与可解释性的折衷是目前模糊建模中一个重要研究课题。 人工免疫系统作为计算智能研究的一个崭新分支，已在数据挖掘、机器学习、自动控制、故障诊断等诸多领域显示出强大的信息处理和问题求解能力以及广阔的研究前景。将人工免疫算法与遗传算法相结合后而形成的免疫遗传算法的研究和应用已经成为人工免疫系统研究领域中极为重要且最活跃的研究方向，免疫遗传算法在多方面都表现出比遗传算法更为优越的性能。 本文以模糊逻辑、免疫遗传算法为理论基础，依据处理模型的精确度和可解释性的平衡与折衷问题的相关原理，从数据中获取基于规则的模糊模型用于分类和系统识别。本文的主要研究结果如下： 采用模糊C--均值聚类的方法生成规则，然后利用免疫遗传算法实现初始模糊分类系统的构造。本文是基于实数编码的免疫遗传算法，算法根据个体的评价值和个体间的相似程度进行选择操作，因而抑制了相似的个体，保持了群体的多样性，使算法比遗传算法具有更好的全局寻优性能。 为了提高模糊分类系统的精度，并保留其解释性，利用约束实数编码的免疫遗传算法对得到的模糊分类系统再次进行优化。 论文采用数学方法严格证明了该分类算法的收敛性，分析了算法的计算复杂度。 以Iris资料库和wine资料库为例进行了仿真实验。从仿真结果可以看出，本文提出的方法能够以较高的分类精度、较少的输入变量和模糊规则实现模糊分类系统的建模，达到精确性与解释性较好的折衷。