在图论的实际应用中,随着复杂性系统的增加,经常会遇到不确定因素,如不精确的专家数据模型。继概率论与测度论后,Liu在2007年创立了不确定理论[1],在2010年将不确定论应用到网络中,2010年,Han和Peng[2]研究了不确定网络上的最大流问题,2011年,Peng和Li[3]在最小生成树问题上建立了不确定模型,2012年,Zhang和Peng[4]在不确定网络上研究了邮递员问题。随着不确定图的提出与应用,不确定理论越来越多的应用到图论中,从而产生了不确定图的研究。在2013年,Gao和Gao[5]第一次给出了不确定图的定义,并研究了不确定图树指数和圈指数,随后,Zhang和Peng[6]研究了不确定图欧拉环游和哈密顿环游,2014年,Yuan[7]研究了不确定图直径的分布函数,2017年,Chen[8]研究了不确定图着色问题。在不确定图中,边的存在性是无法预知的,可以对边进行赋值描述这些不确定因素。这使得原有的图论领域有了进一步的拓展,如不确定图的连通度指数,不确定图着色等问题的研究。不确定图最大独立集本质上是一个不确定变量,在不确定理论的运算规则下,本文研究了不确定图独立集指标（index）,旨在将独立集与不确定理论结合起来。为此,一个基于不确定图的独立集指标在本文中首次提出,本文的重点是提出一种计算不确定图独立集指标的算法,我们首先讨论了不确定图中独立集的置信度（degree）,并给出了独立集指标的定义,指出了不确定图G中独立集与其补图G*中团的等价关系,并研究了一些性质。在搜索完全子图算法的基础上设计了一种高效的算法,此外,一些数值算例表明了该算法的有效性和实用性。最后,本文也对未来的工作提出了展望。