分类是数据挖掘和模式识别的一个重要研究课题,在很多领域有着广泛的应用。目前,分类算法主要存在如下问题:分类过程的未知性、分类方法计算过于复杂且难以实现、分类结果的可解释性差等。针对以上问题,本文主要研究基于区间值模糊集合的分类算法,特别是针对高维数据时,如何得到更好的分类效果。首先,本文分析了模糊集合与区间值模糊集合的相关概念和基本性质,继而分析并讨论了区间值模糊集合之间的距离以及相似度的计算方法。在分析传统模糊推理规则缺点的基础上,引入了区间值模糊推理产生式规则,将一条模糊推理规则转化成一个区间值模糊集合,于是计算两条模糊推理规则之间的相近程度就转换为计算两个区间值模糊集合相似程度的问题。由此本文提出一种基于加权区间值模糊集合的分类算法,该方法充分考虑了每个属性对分类的贡献程度,并通过仿真验证了该方法的有效性。其次,针对高维数据的模糊分类算法研究相对较少,随着数据维数的增加,区间值模糊集合的论域也在增加,这不仅增加了计算的复杂性,也影响了分类结果的精确度,针对这种情况,本文改进了原有的加权区间值模糊集合匹配算法,并引入雷达图对高维数据进行降维,将高维数据用雷达图来表示,以全息利用特征的策略,将所有非重要的特征变量进行特征融合以降低数据维数,利用改进的区间值模糊集合分类方法来识别不同类别的雷达图形,并通过仿真验证了该方法的有效性。