随着信息技术的发展,海量数据如潮水般涌入社会生产中,这些来自不同渠道的数据夹杂的不确定信息逐渐增多。例如在手写数字识别的图像采集和存储过程中,常因多种因素导致图像局部缺失或污损进而引入不确定性,实践中的处理方法多是通过人工标注完成不确定推理,而后基于确定数据集进行学习建模,这种处理方式效率低、成本高、稳定性差。如何高效处理不确定信息并基于不确定数据集完成分类器的学习与构建,成了手写数字识别研究面临的新挑战。信任函数理论为不确定数据处理提供了崭新的思想与方法,近年来受到广泛关注。本文沿着先驱指引的方向继续前行,针对不确定手写数字数据集学习与建模困难问题,提出了基于机器学习决策树理论改进而来的信任随机森林算法,通过引入信任函数理论和集成学习思想,给出了有效建模不确定数据集并完成手写数字识别的新尝试:为解决训练样本输出类标缺失不确定,改进算法引入了证据理论信任函数思想方法,通过构建样本间距离到基本信任分配函数的映射,计算不确定样本基本信任分配函数值,运用证据组合规则完成对样本输出类别标记的预测推理;对于训练样本属性值缺失不确定,通过调整样本的权重,优化相关计算,完成最优划分属性选择和缺失样本的类别划分,并在决策树结点划分过程中引入随机属性子集选取规则来降低决策树“过拟合”风险,实现了信任随机决策树的构建;为了提高学习器的泛化性能,运用集成学习思想将若干棵基信任随机决策树结合起来生成信任随机森林,最终完成对不确定手写数字数据集的学习与建模。为了评估信任随机森林算法建模不确定数据集并实现手写数字识别的实际泛化性能,本文进行了实验验证研究:首先,对数据集中图像进行二值化和细化处理,生成手写数字实验数据集;然后,对训练集数据样本从统计和几何两个层面进行多特征提取,完成手写数字训练集输入特征向量的构建;最后,利用Python编程语言完成信任随机森林算法的计算机编程实现,并在不确定手写数字数据集上运行算法进行验证实验,通过对模型参数的调整优化和实验结果的研究分析,论证了信任随机森林算法建模不确定数据集并实现手写数字识别的可行性和高效性。