相对于模糊集而言，直觉模糊集引进了新的参数—非隶属度，因而能更加细腻的刻画客观世界的模糊性，一直以来直觉模糊集在决策领域得到了广泛的应用。而由于客观事物的复杂性模糊性，直觉模糊集的隶属度，非隶属度很难用用精确的语言来表达，在1989年Atanassov提出了区间直觉模糊集，在很大程度上拓展了直觉模糊集在多属性决策方面的应用。灰关联空间相对于两两比较的距离空间而言具有整体性的优势，可将灰色关联分析和TOPSIS方法结合用于多属性决策分析中。得分函数可用于多属性决策中，得分越高则方案越优。熵表示事物的不确定程度，为此可以定义熵权的概念，它是一种客观权重能有效避免主观赋值的缺陷。　　 正确决策的前提要有科学的预测做保障。灰系统理论基于“小样本”，“贫信息”事物的发展演化规律。灰色GM(1，1)模型及其改进优化形式在工业，农业，医疗，人口预测，经济，社会等领域的到了很广的应用。为了提高GM(1，1)模型的预测精度和拓展它适用范围，越来越多的学者致力于优化改进的GM(1，1)模型，以使它更好的为人类的生产和生活服务。模型的改进主要基于背景值的优化和初始条件的优化。　　 本文主要研究了三部分内容，基于区间灰数直觉模糊集和区间直觉模糊集的多属性决策和改进背景值和初始条件的GM(1，1)模型，主要工作如下:　　 1、主要研究了区间灰数直觉模糊集多属性决策，利用TOPSIS原理计算备选方案与正负理想解的灰关联度，然后给出每个方案对正理想解的相对关联度，最后给出基于灰色关联分析的区间灰数直觉模糊集的多属性决策分析。　　 2、主要探讨了一种基于新的信息熵的区间直觉模糊集多属性决策分析，对权重未知的区间直觉模糊集进行了研究.给出了基于犹豫度的区间直觉模糊集的得分函数，并且提出了新的信息熵以及基于信息熵的属性权重表达式，最后给出基于此方法的区间直觉模糊集多属性决策分析方法，并结合实例加以验证改进的模型是可行的。　　 3、提出了初始条件和背景值同时优化的GM(1，1)模型，对初始条件的优化，引入一个参数α，并用条件极值拉格朗日乘数法解得α，用平均相对误差和邓氏关联度同时检验，均获得了比文献[62]优越的预测结果。