在人群疏散场景中,人群疏散决策行为（如疏散出口选择行为）对疏散效率和疏散结果有重要影响。如果对人群疏散没有合理的规划和管理,就有可能导致重大安全事故发生。加强对人群疏散决策规则的挖掘和解释,将有助于规划人员对场景的疏散风险进行分析,从而制定合理的规划或改进措施,进而改善居民的安全。然而,人群疏散决策行为受众多因素影响,具有不确定性强,个体决策规则差异性大,特征之间存在决策优先级差异等特点,这使得人群疏散决策规则的挖掘和解释变得及其富有挑战性。目前有很多数据驱动的模型（例如离散选择模型、神经网络模型）用于挖掘人群疏散决策规则。然而,多数模型注重于规则预测的准确性,却很少关注规则的可解释性。难以解释的规则将阻碍研究者从中获取潜在的疏散规律和知识,而模糊逻辑本身具有较高的可解释性,所以本文设计了一种基于数据驱动和模糊逻辑的人群疏散决策规则挖掘方法,挖掘的规则在准确预测人群疏散行为的前提下,同时规则本身具有较高的可解释性,易于从中提取人群疏散决策行为的规律和知识。本研究的主要贡献如下:1.提出了一种具有特征优先级的人群疏散决策规则表示方法,其具有较高的可解释性,并可以反映人群疏散过程中不同个体决策规则差异性以及特征决策优先级差异。2.设计了一种能够预测个体决策选择的规则评估方法,允许对所提出的规则表示中的特征优先级进行顺序评估,并提供了一种回滚机制来解决传统模糊规则评估过程中可能出现的决策选项“平局”的缺陷。3.提出了用于人群疏散决策规则挖掘的协同遗传模糊系统,它可以通过真实人群疏散数据,自动地挖掘出具有高准确率、强可解释的人群疏散决策规则。4.通过对真实人群疏散场景中个体出口选择数据集的评估,结果表明在预测个体出口选择的准确性方面,本文提出的方法挖掘出的决策规则优于现有的方法,而且方法在预测时候更具有通用性。更重要的是,学习出来的规则具有较高的可解释性,其能够解释个体之间的疏散规则差异,并且能够从规则中发现潜在的决策规律和知识。这些规律和知识与目前人群疏散行为分析领域的实证研究相比,具有较高的一致性。