کسب دانش از داده های مربوط به بیماران نفریت لوپوسی می تواند کمک زیادی به ایجاد یک طرح درمانی مناسب باشد. درسه دهه اخیر،تکنیک های داده کاوی دراستخراج دانش والگوهای مخفی موجوددرپایگاه داده ها به طور قابل توجهی موفقبوده اند. ماشین بردار پشتیبان یکی از موفق ترین تکنیک های داده کاوی دراین زمینه به شمارمی رود که درکاربردهای متنوعی به کار گرفته شده است. باوجود برتری کارآیی درماشین بردار پشتیبان،یک عیب بزرگ دراین تکنیک وجودداردوروشی که این تکنیک برای یادگیری الگوهااز داده ها به کار می برد برای کاربر قابل درک نیست درنتیجه این تکنیک یک توضیح قابل درک برای دانش های یاد گرفته شده فراهم نمی کند. این مشکل باعث شده است در برخی از کاربردهای عملی به خصوص درحوزه هایی مثل تشخیص و پیش بینی پزشکی از این روش استفاده نشود. استخراج قواعد از ماشین بردار پشتیبان، ایده به دست آوردن قواعد ازمدل به جای استخراج مستقیم آن هاازداده هااست. بنابراین ازاین طریق یک توضیح از الگوهای یاد گرفته شده و تعبیه شده درساختارماشین بردار پشتیبان آشکار شده و به کاربران در یک شکل قابل درک ارائه می شود. در این پایان نامه یک روش پیشنهادی برای استخراج قواعد فازی از ماشین بردار پشتیبان برای کمک به درمان بیماری نفریت لوپوسی ارائه می شود. در روش پیشنهادی ابتدا ویژگی های تأثیرگذار با معیار نفع اطلاعات از مجموعه داده بیماران انتخاب می شوند. پس از این ماشین بردار پشتیبان آموزش می بیند و استخراج قواعد از بردارهای پشتیبان صورت می گیرد. در مرحله بعد قواعد به دست آمده به قواعد فازی تبدیل می شوند که این مرحله با استفاده از الگوریتم رقابت استعماری انجام می شود تا مجموعه های فازی به دقت تنظیم شوند. ارزیابی روش پیشنهادی روی مجموعه داده بیماران نفریت لوپوسی که در طی این پژوهش جمع آوری شده است و مجموعه داده گل زنبق که یک مجموعه داده استاندارد برای ارزیابی است، انجام می شود. معیار ارزیابی نرخ خطای دسته بندی توسط قواعد فازی تولیدشده است. مقایسه روش پیشنهادی با سه روش دسته بندی دیگر و بر اساس پارامترهای متفاوت ماشین بردار پشتیبان نشان دهنده برتری روش پیشنهادی در دسته بندی داده ها می باشد.