在许多工程实际应用中,由于观测对象的复杂性与不确定性使得描述对象的属性值往往具有模糊性,因此常采用模糊数或区间数来刻画属性的不确定性。本文主要针对区间值数据建模,分别探讨了不同类型下的输入-输出数据的区间模型构建方法。本文主要工作如下:首先,针对输入-输出数据均为区间值的情况,本文提出一种基于Taylor展式的区间型深度置信网络-前馈神经网络模型,通过引入受限玻尔兹曼机的训练机制初始化建立的前馈神经网络的参数,而网络输出层权值采用Taylor展式形式以减少网络节点数。同时,通过引入模糊C均值聚类算法和截集的思想对数据进行重新划分,建立多个局部区间模型,然后将这些局部模型进行加权集成以提高模型的性能。通过一系列的数值仿真对比结果,验证了提出的基于Taylor展式的区间模型的有效性。其次,针对输入-输出数据均为清晰值即数值型输入-输出的情况,本文从数值逼近及数据信息粒化的角度考虑,提出一种基于三次样条函数的模糊模型对该类型数据进行区间回归分析。样条函数参数通过构造的神经网络模型进行辨识,梯度下降算法用于更新网络的区间权,并在此基础上提出一种改进的目标函数以改善估计的区间性能。仿真结果表明,本文提出的基于三次样条函数的区间回归模型对非线性函数不仅具有很好的逼近效果且回归区间能包含足够多的信息量。最后,针对输入数据为清晰数值、输出数据为区间值的情况,本文提出一种基于受限玻尔兹曼机的集成模型。借助于受限玻尔兹曼机良好的特征学习能力,本文将输入数据通过受限玻尔兹曼机转换到另一特征空间中,从而获得一组新的属性集。然后将获得的新属性集与原输入集重新组合分别建立个体学习器,通过对已建立的个体学习器进行集成从而建立集成模型。仿真实验中通过比较不同数量的个体学习器的集成性能,确立了一种优化的集成模型,与经典的区间神经网络建模结果对比表明,采用本文提出的基于受限玻尔兹曼机的集成模型可以在一定程度上提高模型精度。