现实生活中存在着大量的有序分类问题,这些年,随着对分类任务的研究,一般的数据分类问题已经取得了较好的分类准确率,但是这些任务中很少考虑序的关系,因此可能得到不一致的决策规则,这就需要研究者深入研究类标签之间的顺序关系。Takagi-Sugeno-Kang(TSK)模糊系统已被广泛应用于回归、分类和决策等方面,并展现出了良好的精度和可解释性,但是对于存在单调数据的建模场景,TSK模糊系统的建模效果还不够理想。针对这些挑战,并以目前经典的相关算法和最新研究的成果为基础,本文展开了如下的研究工作:首先,提出了一个新颖的单调递增的TSK模糊系统(Monotonically Increasing Takagi-Sugeno-Kang,MCI-TSK)。MCI-TSK应用存在于响应与预测变量之间的单调关系,并以单调约束的形式表示来构建优化目标函数。实验结果表明,在处理具有单调性的数据集时,MCI-TSK比原始的TSK模糊系统具有更好的分类性能。其次,基于上述,对单调递增约束条件进行拓展,通过在原始的0阶TSK模糊系统模型上添加单调约束使单调0阶TSK模糊系统(Monotonically 0-order Takagi-Sugeno-Kang,MC-0-TSK)满足单调性。MC-0-TSK不要求特征和输出之间存在的单调关系是一致的,这放宽了用于处理单调分类问题时大多数现有方法中使用的一致单调性的假设。实验结果表明,与已有的处理单调分类的方法相比,MC-0-TSK具有更好的分类性能并且保持了可解释性等方面的特点。最后,将单调约束的先验知识进一步拓展到其他分类器中。径向基函数(Radial Basis Function,RBF)神经网络是一种高效的前馈式神经网络,它具有好的逼近能力和全局最优特性,并且结构简单,具有良好的泛化能力,已经被广泛的应用于数据分类中。但是对于一些特殊的分类场景,如单调数据场景,RBF神经网络也未充分发挥其潜能。针对此提出了一个新颖的基于单调约束的径向基函数神经网络模型,简称单调径向基神经网络(Monotonic Radial Basis Function Neural Network,MC-RBF)。实验结果表明,在处理具有单调性的数据集时,MC-RBF比原始的RBF神经网络具有更好的分类性能。