Vague集理论是Fuzzy集理论的推广，它用一个真隶属函数以及一个假隶属函数来描述不确定信息，比传统的Fuzzy集更具灵活性。虽然从提出到现在只有短短的十多年，但是它已经在机器学习，决策分析，模糊控制，医疗诊断系统，专家系统，数据挖掘，人工智能，近似推理等众多领域得到了广泛的发展和应用，吸引了越来越多学者的注意。　　 本文首先介绍了Vague集的基本概念以及Fuzzy集的模糊熵；然后重点讨论了现有的一些计算Vague熵的方法，分析了这些方法的不足与缺陷，对于现有的Vague熵、等腰归一化距离、相似度量三者之间的关系进行了分析，并在此基础上进行了扩展；最后介绍了经典集合的互熵以及模糊集上的互熵，并针对现有Vague互熵的某些不足进行改进，从而得出一种新的计算Vague互熵的方法，主要完成以下工作：　　 1.从未知度和模糊度的角度出发，在Fuzzy集模糊熵的公理化定义的基础上推导出了Vague熵的公理化定义，并基于这一公理化定义构造出了一个新的Vague熵，并证明其确实满足我们提出的公理化定义，最后通过实例验证了该熵的正确性。　　 2.基于Vague熵、相似度量和等腰归一化距离的定义与性质，推导出了他们之间的联系，给出了三者之间的诱导关系。　　 3.根据经典集合的互熵，利用加权的方法改进了Vague互熵，并通过实例证明了此方法的有效性。进一步得出了Vague集的互熵与Vague熵的关系。