随着决策树归纳学习研究的深入,具有精确描述特征的决策树归纳学习已经不能适应一个系统中不精确的知识表达的要求,同时由于人们所处的世界和问题所在的域都是时刻运动变化的,所以在现实问题中人们更希望决策树能够描述具有动态模糊性的问题。为了回答上述问题,本文作了一些探索性的尝试,取得了如下成果:分析了决策树学习中的动态模糊性,提出基于动态模糊格的动态模糊决策树和动态模糊二叉决策树;通过对原有决策树学习算法的研究,提出了以分类准确度为基础的属性选择算法;将划分格引入到动态模糊决策树中,给出了动态模糊划分格的基本概念,以此为基础进一步分析了动态模糊决策树及动态模糊二叉决策树对实例集划分间的关系并给出了相关定理和证明;以动态模糊划分格为基础,给出了动态模糊决策树中对单个属性的离散化及对多属性的联合离散化方法;以属性对分类的信息贡献为基础,提出了动态模糊决策树中对缺失值属性的处理方法;总结了决策树的剪枝方法,并给出了动态模糊决策树的剪枝策略。综上所述,本文的特色表现在:(1)提出了动态模糊划分格,丰富充实了动态模糊集的内容。(2)对动态模糊决策树从属性处理到构建以及剪枝给出了合理的描述,形成了动态模糊决策树的基本概念框架。尽管如此,本文的工作还很基础,今后还有许多工作需做进一步研究,如动态模糊决策树的具体应用、规则的提取等。