随着计算机的普及和网络技术的发展,人们面对的信息量巨大(海量信息),并且信息结构和关系复杂,完全超出了人们所理解的范围;并且,在一般的信息系统(或数据库)中,对象的属性值是连续的数值型的或字符型的,单独的这些未经加工的数据不能提供知识;另外,在日常生活中,人们通常使用自然语言表达信息,数据本身不能提供语言知识必须通过人工智能的方法从数据中获取出相应的语言知识。本文通过抽取模糊语言命题,从海量数据中提取出有用的知识,具有很强的实用性。在市场预测、管理决策、艺术评价、投资环境等方面都有着重要意义。离散化可以加快学习的速度和简化归纳获得的知识,甚至提高分类精度。因此,对于连续属性值信息系统必须进行离散化,本文采用模糊离散化方法。对每一个属性(语言变量),用对应的语言值进行划分,并定义每个语言值的隶属函数,我们采用三角行的隶属函数确定方法,某对象的语言值的值为这个对象对此语言值隶属度,从而使原始的信息系统转化成模糊信息系统。再确定截集的水平值,使得模糊信息系统转变成一个经典的信息系统。对于离散化后的连续属性值信息系统,利用形式概念分析表达对象和语言值之间的关系,通过包含度理论,描述集合之间的软包含程度。对模糊语言命题的一般形式,利用文字计算以及模糊集理论确定其中的语言值、量词和真值度,从而抽取简单的模糊语言命题。复杂的模糊语言命题不是简单模糊语言命题的一般组合和拼凑,本文提出了基于逻辑与、逻辑或和逻辑蕴涵,抽取出复杂的模糊语言命题的方法。要评价抽取出的模糊语言命题是否有用,通过衡量抽取结果的真值度、覆盖度等来说明。同时,我们还比较了抽取的简单和复杂模糊语言命题之间的关系。最后,针对上述提出的方法,给出了实例分析说明。实验表明,我们的方法是有效的并具有一定的现实意义。