近年来,随着深度神经网络取得的巨大成功,机器学习界掀起了研究深度学习理论及其应用的热潮。尽管深度神经网络性能强大,但其也具有诸如无法应用于小规模数据,训练过程对计算硬件需求高,以及模型参数过多且难于被训练等问题。因此周志华等人提出了一种基于随机决策树的深度级联森林模型,该模型在一定程度上很好的弥补了这些缺陷。然而深度级联森林在设计之初并未考虑数据是模糊数据的情况,而现实生活中存在着大量的模糊现象,大部分的知识是模糊的不确定的,故本文研究了深度级联模糊决策森林学习模型。论文首先对经典的几种模糊决策树算法做了详细介绍与对比,并且通过实验比较了它们的分类性能差异,最后选取分类性能较好的FuzzyID3算法作为基本算法;然后采用集成的思想将模糊决策树构建成为模糊随机森林,给出了该过程中详细的算法流程以及生成模糊随机森林结果的不同组合策略;进一步我们借鉴深度级联森林的思想,提出了深度级联模糊决策森林学习模型,展示了该模型的整体构建过程,分析了其相对于深度神经网络存在的一些优势;最后通过在数据集YEAST、CMC和Vehicle上的实验结果对本文提出的深度级联模糊决策森林模型进行了验证,并比较了该模型不同层数所造成的分类结果的差异,同时也与其它基于树模型的分类方法进行了对比,结果表明该方法的可行性和有效性。