اخیراً سیستم دسته بند فازی مبتنی بر قانون به طور گسترده ای در مسائل دسته بندی مورد استفاده قرار گرفته است. به طور اساسی? طراحی این سیستم ها شامل پیدا کردن یک مجموعه فشرده از قوانین دسته بندی فازی اگر-آن گاه است که بتوانند رفتار ورودی- خروجی سیستم را مدل کنند. روش های زیادی برای تولید قوانین دسته بندی فازی ارائه شده است که عبارتند از: روش های شهودی? روش های بر مبنای خوشه بندی? روش های بر مبنای الگوریتم های ژنتیک? روش های عصبی- فازی و ... . در این پایان نامه? روش های شهودی و روش های بر مبنای خوشه بندی به طور مستقل مورد بررسی قرار گرفته اند. در قسمت اول از روش های پیشنهادی? الگوریتم جدیدی برای مدل کردن سیستم دسته بند فازی مبتنی بر قانون با دقت بالا پیشنهاد شده است. این الگوریتم جدید? ترکیبی از یک الگوریتم نگاشت داده های مبتنی بر منیفلد و یک الگوریتم شهودی استخراج قوانین است. همچنین برای افزایش دقت دسته بندی? یک روش تکاملی جدید برای وزن دهی قوانین ارائه شده است. در ادامه? تأثیر نُه تی- نرم مختلف در دقت دسته بندی مورد بررسی قرار گرفته است. در قسمت دوم? یک الگوریتم جدید مبتنی بر خوشه بندی برای استخراج قوانین دسته بندی فازی پیشنهاد شده است. این الگوریتم جدید? ترکیبی از یک الگوریتم نگاشت داده ها? الگوریتم خوشه بندی تفاضلی و یک الگوریتم بهینه گرادیان نزولی است. نتایج حاصل از انجام آزمایش بر روی 21 مجموعه داده محک (uci) نشان دهنده کارایی روش های پیشنهادی در مقایسه با بعضی تحقیقات قبلی از نظر دقت دسته بندی می باشد. نتایج به دست آمده توسط آزمون های غیرپارامتری آماری مورد تحلیل قرار گرفت و نتیجه این آزمون ها نیز کارایی روش های پیشنهادی را به صورت کلی (میانگین روی 21 مجموعه داده) تأیید می کند.