在基于知识的模糊分类系统的应用之中，构造合适的模糊分类规则集是关键的问题。一方面，要求分类规则集能提供较高的准确性，另一方面，对于模糊规则集中的模糊集合要求具有良好的可解释性，可解释性指的是接近于人类的自然语言。随着分类建模问题的维数和复杂性的提高，如何从示例数据中并结合专家经验构造精确性和解释性俱佳的模糊系统在近年来成为了一个研究热点。　　 本文的主要研究内容为使用遗传算法获取基于语言变量的模糊分类规则集，算法兼顾精确性和解释性。首先本文采用语言变量作为模糊分类规则的前件，并按照模糊集合之间的相似性变换，对语言变量的修饰成分进行相应的调整，并给出了对应的模糊集合定义，从而使得传统的模糊分类规则具有了很强的可解释性。第二，本文对模糊规则采用浮点数编码的方式形成遗传算法的染色体，并按照模糊分类规则的性质对遗传算法中的个体设计了评估、选择、交叉及变异操作。特别的，在模糊分类规则的提取过程中，讨论了将专家分类经验融入到现有的分类系统中，从而使得本文的方法既可从专家经验中获取分类知识，也可以自动从示例数据中经过学习而获取模糊分类规则。　　 本文采用了流行的分类数据集来进行仿真实验，并和相关文献中的结果进行比较，从结果可以看出，本文的方法能够获得可解释性和精确性较好的模糊分类规则集。