Acura´cia e interpretabilidade representam dois objetivos complementares em qualquer te´cnica de aprendizagem de ma´quina. equilibrar entre esses crite´rios e´ um grande desafio ao se considerar um modelo que aprenda e se adapte incrementalmente a` dina^mica do problema em questa~o, e ainda trate o problema de dados faltantes devido a` perdas ou falhas na coleta dos mesmos. o objetivo na~o e´ apenas maximizar a interpretabilidade, mas tambe´m garantir alta acura´cia. neste contexto, ha´ pouca pesquisa sobre a aprendizagem incremental utilizando modelos fuzzy do tipo mamdani-larsen (ml). esta tese apresenta uma nova proposta de sistema neurofuzzy (nfs) - com capacidade de aprendizagem incremental - chamada infgmn (incremental neuro-fuzzy gaussian mixture network), que permite obter modelos incrementais interpreta´veis e acurados. as principais caracteri´sticas da infgmn sa~o: (i) aprende incrementalmente usando uma u´nica varredura sobre os dados de treinamento; (ii) pode produzir boas estimativas com base em poucos dados de treinamento, mesmo em caso de dados faltantes, cujo o mecanismo de falta seja completamente aleato´rio (mcar) ou aleato´rio (mar); (iii) o processo de aprendizagem (possivelmente com a realizac¸a~o de imputac¸a~o de dados) pode prosseguir perpetuamente a` medida que os novos dados de treinamento chegam (na~o ha´ fases separadas para aprendizagem (learning) e utilizac¸a~o (recalling)); (iv) pode lidar com o dilema estabilidade-plasticidade e na~o e´ afetada pela interfere^ncia catastro´fica ao passo que regras sa~o adicionadas ou retiradas sempre que necessa´rio. desse modo, o processo de imputac¸a~o e´ realizado sempre com uma rede atualizada e adaptada aos dados processados ate´ o momento; (v) a base de regras fuzzy e´ definida automaticamente e de forma incremental; e (vi) mante´m uma base de regras fuzzy do tipo ml que permite fornecer uma boa rela- c¸a~o custo-benefi´cio entre acura´cia e interpretabilidade, e diferentemente de outras redes neurofuzzy, na~o necessita que os dados faltantes sejam imputados previamente. o desempenho do modelo infgmn pode meio de va´rias aplicac¸o~es refere^ncia e os resultados apresentados em termos de acura´cia e interpretabilidade sa~o promissores.