智能可以看作是知识积累和知识运用的综合能力反应,主要是认识客观事物、掌握客观规律,以及运用知识去解决实际问题的能力。人工智能就是用人工系统来模拟人的问题求解、推理、学习等方面的能力。人工智能经过近半个世纪的发展,形成了多个研究发展方向,其中智能计算方法是智能科学当前研究的重要方向之一。在过去几十年的时间里,智能计算得到了广泛的研究和迅猛的发展,并在信号处理、模式识别、系统辨识、发酵控制、生物信息学、食品和医疗以及商业等领域取得了丰硕的成果。本文针对智能计算方法在生物发酵过程以及生物信息学中的相关应用进行了研究,包括Cascaded Centralized Takagi-Sugeno-Kang（CCTSK）模糊神经网络,多层感知器（Multi-Layer Perceptron）、径向基函数（Radial Basis Function,RBF）神经网络、Takagi-Sugeno-Kang （TSK）模糊系统等相关智能计算方法在谷胱甘肽、乳酸杆菌的发酵过程中的应用。另外,对生物信息学中基因表达调控网络的重构也做了一点工作,具体来说,本论文的创造性研究成果主要有:第一部分,对模糊系统进行了研究,建立了不确定的高斯混合模型和具有可加性的二型Takagi-Sugeno-Kang模糊系统之间的对应关系。然后利用Cascaded Centralized Takagi-Sugeno-Kang（CCTSK）模糊神经网络对谷胱甘肽（glutathione,GSH）的发酵过程进行建模。在实际的发酵生产过程中,由于菌体发酵过程自身的复杂性以及实验中的客观条件的限制,使得实验数据不可避免的含有一定量的噪音,从而使得传统的神经网络所建立的模型的收敛速度和精度明显下降,且建模结果缺乏可解释性。CCTSK模糊神经网络由于采用了中心化的级联的网络结构,实验结果表明,运用CCTSK模糊神经网络对谷胱甘肽发酵的过程所建立的模型具有良好的鲁棒性和更高的可解释性。第二部分,研究了鲁棒的基于熵准则的RBF谷胱甘肽发酵建模。利用信息论中关于熵的概念,从概率密度的角度出发,采用判别熵构造出一个新的误差准则函数——基于熵准则的误差准则函数,并将其应用于谷胱甘肽的发酵建模过程中。由于新的误差准则函数能够从训练样本的整体分布结构来进行模型的参数学习,从而有效地避免了传统的基于Mean Square Error（MSE）准则的RBF神经网络的过学习和泛化能力弱的缺陷。第三部分,进一步研究了基于熵准则的误差准则函数的特点。将新的准则函数用于多层感知器模型、径向基函数神经网络模型以及Takagi-Sugeno-Kang模糊系统模型中,然后对乳酸杆菌发酵生成多糖（exopolysaccharide,EPS）的过程进行建模,实验结果表明:新方法具有较高的预测精度、泛化能力以及良好的鲁棒性。最后一部分,研究了目前生物信息学中的热点——基因表达调控网络的重构问题。针对传统的线性组合模型只考虑了基因之间的线性调控关系的缺陷,引入了能量因子的概念,从而使得模型具备了分析基因间的非线性调控关系的特性。