В статье рассмотрены вопросы построения нечетких классификаторов. Определены три этапа построения нечеткого классификатора: формирование базы нечетких правил, отбор информативных признаков, оптимизация параметров функций принадлежности нечетких правил. Генерация структуры нечеткого классификатора выполнялась алгоритмом формирования базы правил по минимальным и максимальным значениям признаков в каждом классе. Применение такого алгоритма позволяет сформировать базу с минимальным числом правил, равным количеству меток классов в исходном классифицируемом наборе данных. Отбор признаков проводился методом обертки бинарным алгоритмом паукообразных обезьян. Отбор признаков, как метод предварительной обработки данных, может способствовать не только повышению эффективности алгоритмов обучения, но и повышению способности обобщения.В процессе отбора информативных признаков проведено исследование динамики изменения точности классификации по итерациям при различных параметрах бинарного алгоритма, выявлено влияние параметров бинарного алгоритма на скорость сходимости.Для оптимизации параметров антецедентов нечетких правил используется другой алгоритм обезьян, работающий с непрерывными числовыми данными. Эффективность нечетких классификаторов, построенных на правилах и признаках, отобранных с помощью указанных алгоритмов, проверена на наборах данных из репозитория KEEL.Проведены сравнения с алгоритмами-аналогами, протестированными на тех же наборах данных. Результаты сравнения показали, классификаторы могут быть разработаны с минимальным количеством правил и существенно сокращенным количеством признаков при статистически неразличимой точности с классификаторами-аналогами.