分类问题在人们的日常生活、社会活动、科研生产以及学习、工作中经常遇到。在很多领域中,分类问题都是需要解决的主要问题,比如医学的临床诊断、工业生产的机器状态判断、语音的智能识别等等方面,分类问题都成为了最主要也最难于解决的问题。本文提出了一种利用模糊理论、机器学习和人工智能算法相结合来对复杂分类问题进行求解的模型(模糊集再分类模型,Fuzzy SetReclassfication Model,FSR),FSR模型的重点是利用模糊数学的知识将复杂分类问题简化为简单分类问题。模糊理论利用隶属函数的概念对数据的归属程度进行量化,通过合理的隶属函数可以对数据的归属做出正确率较高的判断。通常情况下,隶属函数的定义需要足够的先验知识,这就造成了很大的不确定性。遗传算法是一种借鉴生物界自然选择和进化机制发展起来的算法,具有高度并行、随机、自适应强的特点,能够非常有效地解决搜索空间很大的问题。利用模糊理论可以解决分类问题,但在未获得足够知识的前提下,需要确定的参数规模很庞大,而遗传算法可以有效的搜索全局空间,利用遗传算法优化隶属函数可以得到比较好的效率和正确性。FSR模型在此基础上,进一步降低了对隶属函数精确性的要求,规定只需要把样本分配到正确分组或较接近分组中的其中一个即为正确分类。本文的工作重点是提出了FSR模型,并阐述FSR模型的结构。采用不同类型的多组数据对整个模型的各个模块进行性能测试,以保证整个模型的可行性。