近年来,随着对于群体决策结果共识度要求的提高,共识达成过程成为学者们研究的热点问题。为了提高共识达成过程的科学性和高效性,学者们提出了一系列共识达成过程模型。决策个体在决策过程中所表现出的特定行为模式,如不合作行为和小群体意见等,在这些模型中得到了妥善的处理,保证了群体共识的收敛。然而,并不是所有的决策行为都被给予了针对性的定义和处理,例如大权重决策个体的不合作行为和其他较为温和的不合作行为。若能提高共识达成过程对于各种决策行为的识别能力,将极大提高模型中群体共识的收敛速度。针对以上问题,本文首先引入了决策信息为多粒度语义信息的决策环境,对群决策问题进行了数学描述,并设计了考虑决策信息特殊性的群决策流程;创新性地构建了一套量化、分类决策个体评价信息修改行为的系统,其中主要包含修改行为中合作系数和不合作系数的计算方法,以及通过综合考虑两者而识别不同类型修改行为的分类模型;根据决策个体修改行为的分类结果,创新性地利用uninorm算子在映射二维信息时正向或负向加强的性质,对决策个体的决策权重进行逐轮更新,模拟施加奖励或惩罚的效果;进一步,采用在uninorm算子中引入浮动单位元的方式,对大权重决策个体的行为施加了更加严密的监控,有效的抑制了大权重决策个体可能表现出的不合作行为对群体共识产生的恶劣影响;最后,通过算例分析和数值模拟实验的方式,对本文所提出模型进行了演示模拟。本文所提出模型的优势在于能够对共识达成过程中涉及的各种修改行为进行明确且合理的量化与分类,并能有针对性地反映到决策权重更新之中,在保证群体决策结果合理性的基础上提高了群体共识收敛速度,能够为现实生活中群体决策活动的开展提供智力支持。