İnsanoğlu günlük hayatta karşısına çıkan bir problemi çözmek için sözel anlama ve belirsizlikle mücadele becerilerini kullanmak zorundadır. Bulanık mantık ve karar destek teknolojilerinin gelişmesiyle günümüzde bilgisayar sistemleri de belirsiz ve sözel verilerle işlem yapma kabiliyetine sahip olmuşlardır. Bu sayede bulanık mantık temelli pek çok uygulama ve yaklaşım ortaya konulmuştur. Bulanık mantık özellikle kontrol sistemlerinde, sınıflandırıcı sistemlerde ve karar destek sistemlerinde oldukça yaygın olarak kullanılmaktadır. Bulanık mantığın sınıflandırıcı sistemlerde kullanılan modelleri bulanık kural tabanlı sınıflandırıcılar olarak adlandırılmaktadır. Bulanık sınıflandırıcı sistemlerde çıkarım mekanizması önceden tanımlanmış kural kümesini kullanarak örnek verileri sınıflandırmaktadır. Sınıflandırıcının doğru olarak sınıflandırdığı örnek sayısı sınıflandırma başarısını göstermektedir. Bu sınıflandırıcılarda sınıflandırma başarısının yüksek olmasının yanında sistemin yorumlanabilirliğinin de yüksek olması gerekmektedir. Bulanık kural tabanlı sınıflandırıcılarda yorumlanabilirlik bulanık kural kümesindeki kural sayısı ve bu kuralların uzunluğu ile ifade edilmektedir. Kural sayısının ve kural uzunluğunun minimum olması sistemin yorumlanabililiğini artırmaktadır. Bir bulanık kural tabanlı sınıflandırıcı için en ideal bulanık kural kümesi, sınıflandırma başarısını maksimize eden en az sayıdaki ve en kısa uzunluktaki kural kümesidir. Bu tez çalışmasında, ideal bulanık kural kümesinin oluşturulması için 3 yeni yaklaşıma sahip bir genetik algoritma tasarlanmıştır. Bu yeni yaklaşımlarla verimliliği artırılan genetik algoritma, bulanık sınıflandırıcı için ideal bulanık kural kümesini etkin bir şekilde oluşturmaktadır. Bu yaklaşımlardan ilkinde, Pittsburgh ve Michigan yaklaşımlarının avantajlarını barındıran yeni bir genetik birey kodlama yöntemi sunulmuştur. İkinci yeni yaklaşım ise uygunluk fonksiyonunda gerçekleştirilmiştir. Uygunluk fonksiyonu sadece sınıflandırma başarısına bağlı olarak değil kural sayısı ve kural uzunluğuna bağlı olarakta hesaplanmaktadır. Böylece ideal bulanık kural kümesinin özelliklerine sahip bir arama gerçekleştirilmektedir. Üçüncü yeni yaklaşım ise genetik algoritmanın mutasyon operatöründe yapılmıştır. Klasik genetik algoritmalarda tek bir mutasyon oranı kullanılmakta ve bu orana göre mutasyon işlemi gerçekleştirilmektedir. Üç farklı mutasyon oranı kullanılarak, arama sırasında kural çeşitliliği sağlanırken daha kısa uzunlukta kuralların oluşmasına yardımcı olmaktadır. Tez çalışmasında ortaya konulan yöntem ile literatürde başarı göstermiş 5 farklı yöntem kıyaslamıştır. Kıyaslama işlemi Toronto Üniversitesi ve Irvine California Üniversitesine ait veri ambarlarından elde edilen 18 farklı veri kümesi üzerinde yapılmıştır. Kıyaslama işleminin tutarlılığı için 10-kez çapraz doğrulama yöntemi 3 defa tekrarlanarak kullanılmıştır. Elde dilen sonuçlar sınıflandırma başarısı, kural sayısı ve kural uzunluğu açısından karşılaştırılmış ve analiz edilmiştir. Elde edilen sonuçlar istatistiksel olarak incelenmiş ve önerilen yöntemin diğer yöntemler karşısındaki başarısı ortaya konulmuştur.