决策是运用科学的理论与方法对人类思维进行建模,是人工智能中非常关键的研究内容。传统的决策理论是在概率的基础上建立的,使其具有处理随机不确定性的能力。目前,在对人脑思维研究的相关心理、认知实验表明,经典的概率论不能有效地处理决策过程中的不确定信息。因此,研究学者尝试用量子理论来解释和模拟人类的思维决策,并建立了量子决策的相关模型。Bohr曾提出人类的心理决策过程同量子现象类似的基本观点,甚至明确地指出量子理论可以作为解决与人类思维过程相对应问题的数学工具。量子决策模型中的核心内容是干涉效应,并可以解释经典决策理论失效的现象。而干涉效应产生的根本原因是决策过程中的不确定信息,因此本文主要探讨了量子决策中干涉效应的不确定建模和处理研究,包括以下几个方面:（1）决策系统的状态每时每刻都在变化,在某个时刻进行测量或者询问时,系统会处于确定的状态。但是在这个时刻之前,系统中各个状态并不是单独存在的而可能是多种状态共存的。因此采用量子理论中的概率幅对不确定信息进行表示和建模,提出了基于概率幅的动态马尔可夫决策模型。假设系统的初始状态没有任何信息输入,具有最大的不确定性。因此根据香农熵分布,从而可以确定初始状态的振幅分布。并且根据先验信息和薛定谔方程建立转移矩阵,将演化时间考虑进状态转移的过程中,得到下一时刻系统的概率幅分布。最后将提出的新模型应用于分类决策实验中,对干涉效应进行定量预测,并且用贝叶斯信息准则对新模型的性能进行分析。本文用量子理论中的概率幅来描述人类决策过程中的不确定信息,为完善决策理论提供了一个新思路。（2）考虑到决策过程中信息的模糊不确定性,采用了直觉模糊集从隶属度和非隶属度的角度对不确定信息进行建模,提出了直觉模糊集马尔可夫决策模型,并对决策过程中的干涉效应进行定量预测。根据最大香浓熵分布,确定了系统在初始状态的概率分布。利用逆运算操作,提出了直觉模糊数的生成方法得到了初始状态以及t1时刻各个状态的直觉模糊数。依赖于先验信息和Kolmogorov方程确定了决策过程随时间演化的转移矩阵,从而获得了t2时刻状态的直觉模糊数。并且利用分类决策实验来验证所提方法的有效性。直觉模糊马尔可夫决策模型不仅提供了生成直觉模糊数的方法,也为解释经典概率论的悖论提供了一个新的思路。（3）考虑了信息的随机性以及命题的不完整性,利用Dempster-Shafer证据理论中的信度函数,模拟决策过程中隐藏的状态或者无法用概率描述的信息。本章提出了基于信度函数的马尔可夫决策模型,对决策过程中的干涉效应进行定量预测。首先根据证据理论的幂集空间,扩大了事件的辨识框架。并根据最大信度熵分布,确定了初始状态的信度函数。根据已知信息和Kolmogorov公式,并考虑决策中的隐藏变量,建立了决策过程的转移矩阵。从而得到最终时刻不同状态的信度函数,然后,根据决策者的不同偏好,确定了信度函数转换概率的权重。最后,通过分类决策实验来解释新模型的有效性。该模型通过模拟了决策过程中的一些隐藏状态,扩大了事件的辨识框架,为理解决策过程中的不确定信息以及不同状态随时间演化的运行规律,提供了更为全面的借鉴和参考。（4）量子理论中的干涉效应被用来解释经典决策理论失效的原因,因此如何合理地计算干涉效应有助于完善决策模型。本章从最小函数和不确定性角度出发,提出了动态干涉效应的计算方法。首先,利用效用函数和Prelec II权重函数对决策过程中效用值和权重进行转换,避免高估或者低估事件的信息。根据事件的新期望效用概率,对事件进行排序,从而确定事件是增强干涉或者减弱干涉。另外,当决策过程中的事件处于确定状态的时候,干涉效应并不存在,因此利用最小函数对干涉效应的计算进行约束。不确定信息是干涉效应产生的根本原因,因此将决策过程中的不确定性考虑进tanh函数,从而避免干涉效应出现过大的现象。最后,用认知决策和囚徒困境的实验结果对干涉效应的计算方法进行了解释说明。（5）为了进一步研究干涉效应在不确定决策中的应用,提出了基于量子决策理论的证据推理模型,并将其用来解决多属性决策问题。首先根据Dempster融合规则,得到了不同备选方案关于评估等级的信度函数,并确定了理想解的信度函数。其次,根据备选方案和理想解的距离以及已知的信度函数,确定了权重函数的参数δ和γ。然后,根据权重函数和效用函数,得到了不同备选方案的期望效用分布。通过对量子决策理论数学模型的分析,可以看出吸引因子（由干涉效应产生的）主要发生在两两备选方案ej和ek之间,因此用逻辑函数对不同备选方案的差异性进行分析,得到不同备选方案的逻辑概率。结合最小函数和不确定性,提出了N个备选方案的总吸引因子的计算方法。根据奇偶性确定各个备选方案的吸引因子,最终得到不同备选方案的概率分布。本文提出的新模型一方面丰富了量子决策理论的应用研究,另一方面也对现实世界中很多难以决策的具体问题提供了一个新的思路和研究方向。