[pt] Este trabalho tem por objetivo criar um novo sistema de inferência fuzzy intervalar do tipo 2 para tratamento de incertezas com aprendizado automático e que proporcione um intervalo de confiança para as suas saídas defuzzificadas através do cálculo dos conjuntos tipo-reduzidos correspondentes. Para viabilizar este objetivo, este novo modelo combina os paradigmas de modelagem dos sistemas de inferência fuzzy do tipo 2 e redes neurais com técnicas de particionamento recursivo BSP. Este modelo possui principalmente a capacidade de modelar e manipular a maioria dos tipos de incertezas existentes em situações reais, minimizando os efeitos destas para produzir um melhor desempenho. Além disso, tem a capacidade autônoma de criar e expandir automaticamente a sua própria estrutura, de reduzir a limitação quanto ao número de entradas e de extrair regras de conhecimento a partir de um conjunto de dados. Este novo modelo fornece um intervalo de confiança, que se constitui em uma informação importante para aplicações reais. Neste contexto, este modelo supera as limitações dos sistemas de inferência fuzzy do tipo 2 - complexidade computacional, reduzido número de entradas permissíveis e forma limitada, ou inexistente, de criarem a sua própria estrutura e regras - e dos sistemas de inferência fuzzy do tipo 1 - adaptação incompleta a incertezas e não fornecimento de um intervalo de confiança para a saída. Os sistemas de inferência fuzzy do tipo1 também apresentam limitações quanto ao reduzido número de entradas permissíveis, mas o uso de particionamentos recursivos, já explorado com excelentes resultados [SOUZ99], reduz significativamente estas limitações. O trabalho constitui-se fundamentalmente em quatro partes: um estudo sobre os diferentes sistemas de inferência fuzzy do tipo 2 existentes, análise dos sistemas neuro-fuzzy hierárquicos que usam conjuntos fuzzy do tipo 1, modelagem e implementação do novo modelo neuro-fuzzy hierárquico BSP do tipo 2 e estudo de casos. O novo modelo, denominado modelo neuro-fuzzy hierárquico BSP do tipo 2 (NFHB-T2), foi definido a partir do estudo das características desejáveis e das limitações dos sistemas de inferência fuzzy do tipo 2 e do tipo 1 e dos sistemas neuro-fuzzy hierárquicos que usam conjuntos fuzzy do tipo 1 existentes. Desta forma, o NFHB-T2 é modelado e implementado com os atributos de interpretabilidade e autonomia, a partir da concepção de sistemas de inferência fuzzy do tipo 2, de redes neurais e do particionamento recursivo BSP. O modelo desenvolvido é avaliado em diversas bases de dados benchmark e aplicações reais de previsão e aproximação de funções. São feitas comparações com outros modelos. Os resultados encontrados mostram que o modelo NFHB-T2 fornece, em previsão e aproximação de funções, resultados próximos e em vários casos superiores aos melhores resultados proporcionados pelos modelos utilizados para comparação. Em termos de tempo computacional, o seu desempenho também é muito bom. Em previsão e aproximação de funções, os intervalos de confiança obtidos para as saídas defuzzificadas mostram-se sempre coerentes e oferecem maior credibilidade na maioria dos casos quando comparados a intervalos de confiança obtidos por métodos tradicionais usando as saídas previstas pelos outros modelos e pelo próprio NFHB-T2 . / [en] The objective of this thesis is to create a new type-2 fuzzy inference system for the treatment of uncertainties with automatic learning and that provides an interval of confidence for its defuzzified output through the calculation of corresponding type-reduced sets. In order to attain this objective, this new model combines the paradigms of the modelling of the type-2 fuzzy inference systems and neural networks with techniques of recursive BSP partitioning. This model mainly has the capacity to model and to manipulate most of the types of existing uncertainties in real situations, diminishing the effects of these to produce a better performance. In addition, it has the independent capacity to create and to expand its own structure automatically, to reduce the limitation referred to the number of inputs and to extract rules of knowledge from a data set. This new model provides a confidence interval, that constitutes an important information for real applications. In this context, this model surpasses the limitations of the type-2 fuzzy inference systems - complexity computational, small number of inputs allowed and limited form, or nonexistent, to create its own structure and rules - and of the type-1 fuzzy inference systems - incomplete adaptation to uncertainties and not to give an interval of confidence for the output. The type-1 fuzzy inference systems also present limitations with regard to the small number of inputs allowed, but the use of recursive partitioning, already explored with excellent results [SOUZ99], reduce significantly these limitations. This work constitutes fundamentally of four parts: a study on the different existing type-2 fuzzy inference systems, analysis of the hierarchical neuro- fuzzy systems that use type-1 fuzzy sets, modelling and implementation of the new type-2 hierarchical neuro-fuzzy BSP model and study of cases. The new model, denominated type-2 hierarchical neuro-fuzzy BSP model (T2-HNFB) was defined from the study of the desirable characteristics and the limitations of the type-2 and type-1 fuzzy inference systems and the existing hierarchical neuro-fuzzy systems that use type- 1 fuzzy sets. Of this form, the T2-HNFB model is modelling and implemented with the attributes of interpretability and autonomy, from the conception of type-2 fuzzy inference systems, neural networks and recursive BSP partitioning. The developed model is evaluated in different benchmark databases and real applications of forecast and approximation of functions. Comparisons with other models are done. The results obtained show that T2-HNFB model provides, in forecast and approximation of functions, next results and in several cases superior to the best results provided by the models used for comparison. In terms of computational time, its performance also is very good. In forecast and approximation of functions, the intervals of confidence obtained for the defuzzified outputs are always coherent and offer greater credibility in most of cases when compared with intervals of confidence obtained through traditional methods using the forecast outputs by the other models and the own T2-HNFB model.