当一个元素不能完全属于或完全不属于某个集合时(即其属于某个集合的“程度”介于0与1之间时)用模糊度来表示。1965年美国控制学专家Zadeh[1]提出模糊理论以来,相关的研究不断地取得突破,它的数学特征也不断地被完善。尤其是1975年二型模糊集的引入。相对于一型模糊集,它采用了三维的隶属度函数,使其集合元素的隶属度本身成为一个[0,1]间的模糊数。二型模糊集理论解决了隶属度函数自身的形状或参数存在不确定性的情况,因此二型模糊集理论能更好的适用于存在多重不确定性的情况,也就是当一个元素属于某个集合的“程度”也不确定时,就需要用到二型模糊理论。它的相关应用也取得了阶段性的进展,它被广泛的应用在模式识别,模糊逻辑,模糊系统,金融分析等多个领域,模糊系统是这之中的一个重要的研究方向。它是以模糊集理论为依托的基于知识或规则的系统,其核心是由IF-THEN规则组成的知识库。二型模糊系统与传统的一型模糊系统相类似,也是通过组合IF-THEN规则构造而成。但因为其理论基础为二型模糊集理论,所以二型模糊系统较一型模糊系统而言,可以直接掌控更多的不确定性信息。本文提出了一个基于二型模糊系统的多元语义线性回归模型,将随机语义数据输入,转换为二型模糊集,通过对二型模糊集的计算,将语义恢复,并且获得统计性的结果。关于二型模糊系统的研究很广泛,但是结合回归模型,用来反映语义数据的整体概况,并进行预测,是本文最大的创新点。论文主要研究了模糊回归系统的相关概念,重点阐述了二型模糊集的相关知识与发展,进而结合了重要的模糊理论工具——可信性理论,解决了概率空间的模糊分布问题。对于二型模糊集的巨大的运算复杂度,针对现存主流解模糊手段,通过实验分析了各个算法的优劣,指出了算法的选择标准。为了解决语义回归模型,从构建语义字典开始,完成了模型的规划,参数的选取,解决了数据处理问题,将置信区间和模糊回归模型结合起来,使结果的可靠性增强。最后提出了解决模型的具体的启发式算法。并且结合实际应用,选取了一定量的数据进行模型的模拟运算。通过对结果的分析,展示了模型较高的工作效率以及准确度,很好的实现了论文的研究目标,同时为之后的研究工作进行了良好的启发作用。