语义决策树算法虽然可以进行语义方面更加精确的匹配,但存在硬性划分的缺陷。在连续属性语义化的过程中,将训练集中的数据映射为语义概念类中的某个概念时,它把数据严格地划分到语义概念类中的某个概念,没有考虑它们对某个概念的隶属度。然而,一个数据是否属于某个概念具有一定的不确定性或者说模糊性,即存在语义的模糊性问题。模糊逻辑虽然在一定程度上解决了不确定性问题,但其本质仍是用确定的隶属度来表示不确定的模糊性,即存在模糊的不彻底性。本文针对语义决策树算法中存在的问题,对决策树算法中的模糊语义进行研究,提出了一种连续属性随机模糊语义化方法CARFS。通过利用语义概念树和FCM算法求得隶属度,同时利用云模型求得隶属度的准确度,即随机性,解决了语义决策树挖掘中没有考虑到模糊性的问题,同时解决了模糊的不彻底性问题。在生成语义概念树时,本文提出了一种语义概念树自动生成方法。通过对基于遗传算法的连续属性离散化算法进行改进,形成语义概念树的叶子结点,进而采用类平均法进行概念层次的提升,充分利用了连续属性每个值的信息,使得到的概念层次更加合理。之后,将CARFS方法引入到Fuzzy ID3算法中,提出了基于模糊语义的决策树挖掘算法SFID3,并指出了寻找最优决策树的方法。通过数据集Iris、Adult和Wine对SFID3算法进行验证,实验结果表明了该算法的可行性和有效性,与语义决策树算法相比,利用该算法生成的决策树具有较高的分类准确率。