本论文以模糊系统的解释性为研究目标。首先，提出了与模糊系统解释性有关的重要概念。其次，提出了一种基于智能体的多目标进化算法从外部训练数据提取模糊规则，在知识提取的过程中，既要考虑规则的精确性，又要考虑规则的解释性。最后，基于智能体的进化算法补应用于非线性系统模拟问题和分类问题中。实验结果表明，此种基于智能体的进化算法可以得到多个模糊系统解，同其他方法比较，我们方法产生的模糊系统有更好的解释性和更高的或可比拟的精确性。 第一章综合论述了本文工作的意义，提出了本文的研究背景，研究的主要内容和目标，及主要创新点。 第二章对模糊系统作了简要地介绍，提出了模糊系统解释性的6项重要概念并加以详细阐述，分别是完全性和可区分性、一致性、紧凑性、效用性、交叉性和覆盖性。 第三章介绍了二进制遗传算法和实值遗传算法的一些重要概念和算子，并引入了对分层遗传算法的讨论。分层遗传算法可以用于结构优化，并已被应用于优化模糊系统。 第四章对多目标进化算法作了简要的介绍，并回顾了其发展历史，最后对第二代多目标进化算法中的NSGA-Ⅱ作了详细介绍。NSGA-Ⅱ被用于我们提出的基于智能体的进化算法中，用来评价模糊集智能体的生存能力。 第五章详细介绍了基于智能体的进化算法的实现细节，包括智能体的内部行为和多个智能体的交互机制等。 第六章给出了5个实际问题的实验结果。分别是二阶非线性工厂模型，Lorenz系统，Mackey-Glass时间序列，Iris数据集和Wine数据集。前3个用于研究非线性系统模拟问题，后2个用于研究分类问题。 最后，在第七章概括论述了本文的主要结论，并且对进一步的研究工作进行展望。