现有网络环境中不断产生大量的短文本数据,文本数据的产生必然伴随着对数据的归类,如何提高分类结果准确率,实现文本分类过程可解释,已成为当下的研究热点。然而,当前大多数的短文本分类算法都会面临如下问题:一是短文本内容中会包含诸多不确定信息且提取出的特征信息相互独立,忽略特征关联信息;二是短文本存在词汇量小、文本特征稀疏和内容不规范等问题。针对上述问题,本文在Dempster-Shafer理论框架下提出了基于幂平均（Power Average）算子和Maclaurin对称平均（Maclaurin symmetric mean,MSM）算子的新型模糊聚合算子,并在此基础上结合基于相似性分数的模糊特征提取方法设计了一种短文本分类模型。本文的研究内容具体如下:（1）设计了一种基于DST算子的多准则决策方法。首先,介绍了Dempster-Shafer理论下的犹豫模糊集的运算规则,根据这些运算规则结合幂平均算子和Maclaurin对称平均算子提出了犹豫模糊幂麦克劳林对称平均算子(DST)及其加权形式(DST),该算子符合数学运算逻辑,且可以在消除特征极值影响的同时,捕获特征之间的关联。最后,给出了一个基于该算子的多准则决策（MCDM）方法,且通过六组实验示例以及定性和定量的比较来验证该方法的可行性及相关优势。（2）提出了一种基于相似性分数的短文本特征提取方法。该方法基于人类的自然语言和思维,根据短文本训练集中词汇出现概率及所属类别相关程度计算出相似性分数,再根据该相似性分数计算四个相应特征,从而构建为一个多维特征矩阵,该特征矩阵即为从短文本中所提取的模糊特征集合,其不基于内容扩充和特征拓展,所提取的每一个特征都由短文本信息计算得出,故该特征提取方法具有可解释性。（3）设计了一种基于模糊逻辑的短文本分类算法。在这一部分中,将模糊逻辑引入短文本实体,提出一种新的短文本分类方案。短文本分类方案的主要流程为:首先对训练集进行处理形成关键词矩阵,然后根据该关键词矩阵和基于相似性分数的特征提取方法提取测试集相关特征,从而构建一个多维特征矩阵,最后采用模糊算子对特征矩阵进行聚合运算,得到多个类别的最终得分,且通过相关对比实验（大规模中文新闻数据集分类）和实际应用案例（罕见灾难事件分类）对本文所提算法的有效性和准确性以及工程上的高可用性进行了验证和相关证明。