90年代初期李德毅院士提出了集模糊性和随机性于一身的模型——云模型,该模型利用正向云发生器和逆向云发生器实现定性概念与定量数据的转换,实现概念外延与内涵的双向认知,模拟了人类的认知过程,可以很好地解决不确定性问题的表达与处理。随着对云模型深入地研究,云模型的理论不断丰富壮大,云模型的相似性度量逐渐成为云模型理论研究中必不可少的部分,并在数据挖掘、协同过滤推荐、系统评估等应用中取得了不错的成绩。本文针对现有的相似性度量方法中存在区分度不高,结果不稳定等问题,提出了基于EW-型贴近度的三角云模型相似性度量方法（similarity measure method of Expectation curve and Maximum boundary curve based on Triangular Cloud Model,EMTCM）和基于距离和形状的三角云模型相似性度量方法（similarity measure method of Distance and Shape based on Triangular Cloud Model,DSTCM）。论文的主要工作包括:1)利用正态云模型的扩展模型三角云模型为研究对象,并在3En规则内将三角云模型的期望曲线及最大边界曲线看作三角模糊数。2)通过计算三角模糊数的EW-型贴近度来度量云模型的相似性,充分考虑了期望曲线和最大边界曲线的特点,提出了EMTCM方法。3)根据EW-型距离公式引入指数贴近度的概念,并用其表征云模型的距离相似度;然后通过云模型云滴的方差,计算出云模型的形状相似度;最后将云模型的距离与形状相似度综合起来,提出了DSTCM方法。将EMTCM方法和DSTCM方法先进行仿真实验,表明这两种方法都具有可行性和较好的区分度,然后再进行Synthetic Control Chart Dataset数据集上的分类实验,从分类精度及CPU运行时间代价两个方面表明,EMTCM方法有很好的分类精度,但需要花费大量的时间,不适合用于较大数据集,而DSTCM方法既有较好的分类精度又有较低的运行时间代价。由于DSTCM性能相对较好,因此将其方法应用到Movie Lens站点提供的数据集中进行协同过滤推荐,展现出良好的效果。