随着信息技术的迅速发展,不同行业生产数据的爆炸式增长已使得数据的处理问题亟待解决,如何从海量数据中有效地进行知识的挖掘是值得研究的问题,而如何有效地刻画和描述具有不确定性的数据信息则是知识挖掘的一个关键问题。阴影集是一种结合了三支决策思想用来处理不确定性问题的三支近似模型,其能够通过将模糊集中具有不确定性的对象近似划分到三个不同区域从而减少模糊集原本所具有的信息冗余。然而,现有诸多阴影集模型存在较大的不确定性损失,即模糊熵损失,这意味着阴影集在刻画不确定性信息时没有较好的保持原有知识信息的一致性。此外,对于阴影集模型阈值的求取,诸多模型也缺乏合理的语义解释。因此,本文通过对现有阴影集模型的深入研究,提出了两种不同类型的阴影集扩展模型,其主要研究工作如下所示:(1)基于不确定性不变性原则和最小代价原则,从模糊熵的角度出发提出了模糊熵均值阴影集模型。首先,基于模糊熵损失提出了新的决策划分规则,并推导出不依赖于人为给定参数的阈值求取方法。其次,通过对模糊熵损失原因的分析,采取了迭代法对所提出模型进行了优化和扩展。最后,通过实例分析和实验分析,验证了所提出模型在优化后具有较小的模糊熵损失。(2)基于博弈论的折中原则从模糊熵的角度出发,提出了基于模糊熵的博弈论阴影集。首先,对阴影集的模糊熵损失进行了误差分析,并基于折中原则对两种类型的模糊熵损失进行了博弈分析。其次,引入了二分算法来快速寻找构建阴影集模型的阈值对。此外,通过对具有不同数据分布类型的数据集的分析,进一步扩展和讨论了所提出的阴影集模型。最后,在具有不同数据分布类型的隶属度函数和UCI数据集上进行了实验分析,验证了所提出模型相比传统博弈论阴影集具有更小的模糊熵损失以及时间损耗。综上,本文基于不同的构建原则从模糊熵的角度提出了两种不同的阴影集扩展模型,其目的是为了使得所构建模型具有更好的有效性,且对于所求取的阈值对也具有更合理的语义解释。