模糊系统辨识是智能控制理论重要的研究分支之一。传统数学建模方法对当前信息科技所带来的各种复杂研究对象往往无能为力，而模糊模型具有易于表达结构性知识，可把数学函数逼近器与过程信息相结合等优点。基于模糊模型发展的系统辨识、智能控制理论和模式识别新方法等已在众多领域得到了成功应用。因此，模糊模型辨识是智能控制基础理论研究的关键问题之一。本文致力于将核方法引入模糊预测模型辨识以期获得新颖而有效的辨识算法，从而克服传统辨识方法存在的一些不足。本文的主要工作包括：(1)设计了基于支持向量机的模糊模型辨识算法，使用支持向量机来完成结构辨识以提高模型的泛化性能，再利用卡尔曼滤波实现参数估计。(2)提出了一种将基于核最小二乘的模糊广义预测模型输出预测的方法。利用带滑动窗口的核最小二乘算法，结合模糊广义预测控制模型产生的未来控制增向量，对未来输出向量进行预测。根据仿真实验，当系统存在内部干扰，系统参数辨识不稳定时，该方法使得预测输出值大大逼近于系统希望输出值，提高了输出预测的精确性。(3)针对支持向量模糊系统可能存在的规则冗余问题提出了一种基于双重核学习（核模糊聚类和支持向量回归）的支持向量组合策略来实现规则库的简化，以保证模型的简洁性。该方法同时避免了传统基于模糊聚类的辨识算法存在对初始聚类个数敏感的缺点。