AFS(Axiomatic Fuzzy Set)理论是一种新的处理模糊数据的方法。在AFS理论框架内,模糊集的隶属函数及其逻辑运算可以依据原始数据和相关信息给出,从而使得隶属函数和模糊逻辑的建立更客观、严密和统一。目前,AFS理论已初步应用于数据挖掘、模式识别、故障诊断等领域。基于AFS模糊逻辑的模糊分类器能够给出数据的类别描述,对测试数据具有较高的分类准确率,但给出的数据类别描述过于复杂,不易理解。基于此,本文从构造方法上改进了AFS模糊逻辑的模糊分类器,构建了一个新的分类器设计方法。首先,用AFS逻辑运算对模糊概念进行聚合,在聚合过程中应用了决策树构建方法,使得这种聚合更加高效,快捷。其次,用衡量类内,类外隶属度的方法来筛选聚合后的模糊概念,并建立对应的模糊规则。由于在聚合过程中,本文控制了决策树的深度,所以设计的分类器在很大程度上降低了数据类别描述的复杂度。然后,在测试过程中,又对得到的规则进行加权处理,而不是仅仅依靠某一个规则的分类信息来对样本进行分类。最后,和原分类器进行比较,本文给出的分类器在降低了类别描述复杂度的情况下,同样具有较高的分类准确率。在Wine,Breast,Iris三个数据集检验了本文分类器的性能,并和C4.5,KNN,DecisionTable,JRip,NNge,OneR,PART,Ridor等经典分类方法进行比较。本文分类器的准确率均在95%左右,在一定程度上优于上述方法而且语义规则简洁。