直觉模糊知识测度在不确定性问题中有着重要作用,由于直觉模糊集的结构特性,知识测度能够有效弥补直觉模糊熵的不足,更加全面地反映不确定性问题研究过程中产生的模糊性与犹豫性。本文以提高知识测度对复杂问题的解决能力为目标,提出改进HammingHausdorff距离,与理想解法（technique for order preference by similarity to ideal solution,TOPSIS）相结合,利用贴近度对知识量进行度量的全新建模方法,旨在不同环境建立统一的公理系统与符合公理系统要求的知识测度,随后将所提知识测度模型应用于图像阈值分割中。主要研究内容如下:（1）本文提出一种针对知识测度的有效建模方法,根据改进的HammingHausdorff距离,结合TOPSIS思想构建直觉模糊知识测度模型,紧接着将其扩展至区间直觉模糊环境,并退化回经典模糊环境。本文依托直觉模糊集本身的结构特性,充分体现知识的内在含义,将知识测度与其公理化定义在不同环境中进行统一,弥补直觉模糊熵的固有缺陷,完善知识测度结构体系、深入探索知识测度的本质。（2）将所提模型或方法应用于图像分割及不确定性决策,验证所提建模方法的可行性与有效性。根据直觉模糊集自身结构特点,提出一种精炼高效的像素分类规则及图像直觉模糊化算法,随后利用所提知识测度模型计算不同阈值下图像直觉模糊集的知识量,确定最佳分割阈值,实现图像分割。同时将上述关键结果推广至区间直觉模糊环境,退化至经典模糊集。为知识测度在实际应用中提供一个新的研究视角和一些不同以往的思路。实验结果表明,本文提出基于知识驱动的图像阈值分割方法性能表现稳定、可靠,所生成的二值图具有更加优良的性能指标,明显优于其他同类算法,在不确定性决策的实例也能得到有效结果。本文统一不同环境下的知识测度模型与公理系统,以便更好的探索知识的本质,并且首次将知识测度新理论引入图像处理领域,为图像处理与知识量的结合提供新的视角。