在大数据技术日益发展成熟的背景下,互联网产生的庞大数据不利于人们高效率识别其中存在的有效信息,数据挖掘可以对海量数据进行分析,从而获得数据中对人们有价值的部分。决策树算法在数据挖掘领域中应用广泛,但是当数据中存在模糊性等不确定性信息且标签具有层次结构时,现有的决策树算法首先难以处理数据中的不确定性信息,其次在处理层次分类中标签具有层次结构的数据时,一般选取层次结构的某一层标签去分类数据,这会导致当分类准确率高时,标签不具体;标签具体时,分类准确率低,无法有效做到在分类准确率尽可能高的情况下,层次标签也尽可能具体。基于上述背景,本文主要做了如下研究:对于数据集中的连续值属性,使用Kohonen特征映射算法完成对数据的离散化处理,并使用三角模糊隶属函数对数据进行模糊化处理,形成模糊数据,更恰当的表达出概念属性之间的重叠关系。基于层次熵的思想介绍了基于层次标签数据的决策树算法,针对含有模糊性等不确定性信息的数据,本文将此算法进一步扩展到模糊决策树,提出了层次模糊决策树算法。结论表明,两种算法都能有效的平衡分类准确率和标签精度。针对模糊决策树关键参数通常按经验给定的问题,本文将改进的粒子群算法和层次模糊决策树结合,优化了模糊决策树的重要参数。通过实验从分类准确率、适应度值和规则数量进行比较后,说明了算法的有效性。将一种模糊规则约简算法引入基于改进粒子群的层次模糊决策树优化算法中,对模型生成的模糊规则做进一步约简,进一步提高了模型的分类效率和性能。综上,针对层次分类中标签具有层次结构这一情况,本文提出一种层次模糊决策树算法对其进行处理,并进一步将此算法和改进的粒子群算法相结合,用于模糊决策树参数的优化,最后使用一种模糊规则约简算法对生成的模糊规则进行约简。通过在两个UCI公开数据集上的实验验证了本文所提算法的有效性。