Promocijas darbs veltīts izplūdušās klasifikācijas metodoloģijas izstrādei ar pielietojumu bioinformātikas datu apstrādē un analīzē. Izplūdušie klasifikācijas algoritmi izvēlēti pielietošanai bioinformātikas datu analīzē, jo cilvēkam ļauj lietot labi uztveramus lingvistiskos jēdzienus. Darbā risināmā bioinformātikas diagnostikas problēma darba ietvaros formalizēta kā datu ieguves klasifikācijas uzdevums, kur iepriekš zināma klase, kas ir diagnoze vai slimības veids. Izplūdušās metodoloģijas katrā daļā iekļaujamie algoritmi un metodes noteiktas eksperimentāli, veidojot plašu pētījumu ar divdesmit piecām reālās bioinformātikas datu kopām. Tika pētītas dažādas metodes un noteiktas piemērotākās tieši bioinformātikas datiem. Praktisko eksperimentu gaitā identificētas metodoloģijas daļas, kurām nepieciešami uzlabojumi. Promocijas darbā izstrādāta uz klasterizāciju balstītā piederības funkciju konstruēšanas metode. Izvēlētajā klasifikācijas algoritmā FuzzyBexa iestrādāta FURIA likumu stiepšanas stratēģija un autores izstrādātā likumu fazifikācijas metode, kas izmanto informāciju par konstruētajām piederības funkcijām. Uz metodoloģiju balstītās izstrādātās izplūdušās klasifikācijas sistēmas eksperimentāla validācija pierāda tās efektivitāti bioinformātikas datu klasifikācijā. Izstrādāto metodoloģiju ērti pielāgot lietošanai ar citiem izplūdušajiem klasifikācijas algoritmiem. Metodoloģiju iespējams pielietot arī citu jomu ar līdzīgu datu struktūru (daudzi desmiti tūkstoši atribūti un proporcionāli maz – tikai aptuveni simts ieraksti) apstrādē un analīzē. Kopējais darba apjoms ir 160 lapaspuses (t.sk. pielikumi), tas satur 31 tabulu, 47 attēlus un 6 pielikumus. Darbā ir atsauces uz 133 bibliogrāfijas avotiem.