由于模糊理论具有处理不确定或模糊信息的能力，并能融合专家经验，因此在分类问题上得到了广泛的应用。模糊分类系统可以由专家根据经验构造，但是很多情况下这种经验并不存在或不完备，而相关数据却相对容易获得。因此，如何从数据中自动构造模糊分类系统，在近年来成为研究的热点。本文提出了一种基于蚁群算法的模糊分类系统设计方法。为实现模糊模型精确性和解释性的折衷，先对样本特征变量进行筛选，挑选出一组具有较高分辨性能的输入变量，并对其进行模糊栅格划分。在模型结构确定，即规则前件确定后，蚁群算法从训练样本中提取信息对模型的参数进行优化。目标函数在蚁群每一次迭代搜索中提供正反馈信息。蚁群算法通过优化输入空间的划分，从而优化栅格的布局。在保证模型精确性的前提下，建立一个具有较少变量数目及规则数目的模糊模型。本文采用最大—最小蚁群算法MMAS代替基本蚁群算法ACO对模糊模型进行优化。MMAS对信息素浓度引入最大值和最小值限制，将各条路径上的信息素浓度限制在一定的范围内，能够扩大搜索空间，避免搜索的过早停滞。最后，将这种设计方法运用到两个著名分类问题中，并将结果与其他方法进行比较，证明了该种方法的有效性与可行性。