语义Web被视为当前Web的扩展,它可以为Web内的知识添加机器可理解、可处理的语义信息,以实现人(机器)与机器之间的语义信息通信。为了有效地组织语义Web中的知识信息,通常使用本体作为知识表示模型。然而不同的本体构建者会使用不同的术语集合以及不同的知识组织结构来构建本体,这必然导致不同本体之间存在着语义冲突和异构的问题。这类语义冲突问题严重地影响了本体之间的知识共享、知识重用以及语义互操作。为了解决上述问题,需要使用本体映射方法为异构本体之间语义相同或者相似的元素建立映射关系。随着语义Web不断的发展,很多应用领域需要模糊信息来完善知识的表示,而经典本体由于自身的局限性无法表示这类模糊信息。为此,很多研究者将模糊集合理论引入到经典本体,从而形成了一种新的可以处理模糊信息的知识模型：模糊本体。与经典本体一样,异构的模糊本体之间也需要建立语义映射关系,来解决它们之间语义冲突的问题。通过对国内外(模糊)本体映射方法以及(模糊)概念相似度计算方法研究现状的分析,发现现有的模糊本体映射方法以及模糊概念相似度计算方法存在以下问题：(1)在现有的模糊本体映射方法中,模糊概念的信息量没有被用于计算模糊概念之间的语义相似度,因此这些方法也没有考虑实例与模糊概念之间的隶属关系对模糊概念信息量计算的影响；(2)在计算模糊概念语义相似度时,现有的模糊本体映射方法常常忽略模糊概念的隐含信息,而且这些方法也没有合理地使用已有映射关系来避免语义相似度重复计算的问题；(3)现有的模糊本体映射方法是以两个模糊本体作为研究对象,然后建立它们之间的映射关系,因此它们不适合为同一领域内的多个模糊本体建立映射关系。为此,本文通过分析实例与模糊概念之间的隶属关系以及模糊概念的模糊集合表示形式,模糊概念隐含信息的作用,还有多模糊本体映射体系结构,深入研究了模糊本体映射方法和模糊概念相似度的计算方法。具体研究内容包括以下几个方面：(1)提出了基于模糊概念信息量的语义相似度计算方法。首先分析父概念实例集合与子概念实例集合之间的包含关系,并采用自下而上的方法为所有模糊概念构建实例集合；然后综合考虑实例属性值与模糊概念属性域之间的隶属关系以及各个属性的权值,给出计算实例属于模糊概念隶属度的计算公式；然后根据实例集合计算出模糊概念的信息量；最后通过信息量的方法计算模糊概念之间的语义相似度;(2)提出了基于关联规则的模糊本体映射方法,用以解决两个模糊本体之间的语义映射问题。首先将模糊本体内的f-RDF三元组信息转化成关联规则,并使用关联规则的传递性从已有的关联规则中推导出新的关联规则,也就是模糊概念的隐含信息；然后为模糊概念建立关联规则集合,并将集合按照由小到大的顺序放入关联规则集合队列中；然后基于关联规则的特点给出相应的相似度计算方法；最后采用一种迭代的映射过程来建立模糊本体之间的映射关系。(3)提出了基于概念图的多模糊本体之间的映射方法,用以解决同一领域内多个模糊本体之间的语义映射问题。首先将一个领域内的模糊本体分成参考本体和源本体；然后将参考本体和源本体转换成两个概念图集合：{R-Set}和{S-Sets}；然后分析概念图的内部组成结构,并计算概念图之间的相似度；根据相似性计算结果,建立参考本体与源本体之间的语义映射关系；最后根据参考本体与源本体之间的映射关系,建立源本体之间的映射关系。