决策树算法是对一组已知示例进行归纳学习,并生成一棵决策树的方法。该算法已被广泛的应用于自动知识获取领域。ID3算法是一种典型的决策树归纳算法,这种算法在假定示例的属性值和分类值是确定的前提下,使用信息熵作为启发式建立一棵清晰的决策树。随着示例模糊表示的出现,清晰的决策树已不能满足不精确知识获取的需要。模糊决策树归纳是从具有模糊表示的示例中学习模糊规则的一种重要方法,从符号值属性类分明的数据中提取规则可视为模糊决策树归纳的一种特殊情况。模糊决策树算法是清晰决策树算法的一种扩展。由于构建最优的模糊决策树是NP-hard,因此,针对启发式算法的研究是非常必要的。本文主要是对经典的决策树启发式算法-ID3算法进行分析研究,在示例模糊表示的基础之上,将其进行扩展成为模糊ID3算法,并与其它的决策树归纳算法进行比较。ID3算法原有的模糊扩展可视为本文的一个特例。通过实验与理论分析,发现本文的模糊ID3算法应用于符号值属性类分明的数据库时从训练准确度、测试准确度和树的规模等方面都要优于其它的模糊扩展例如Min-Ambiguity算法。