自美国控制论专家扎德(L.A.Zadeh)于1965年提出模糊集理论以来，模糊集与系统便作为一门新的工程数学方法被人们广泛地研究并应用到各个领域。1995年刘晓东教授提出的AFS模糊理论，即公理模糊集理论(Axiomatic Fuzzy Set)则是对扎德提出的模糊集思想的数学公理化，是人类认识、思维的部分机理的数学抽象和表示。AFS模糊理论能被用来研究人类思维的法则，并且便于计算机处理。事实上，AFS模糊理论提供了一个有效的工具将训练样本中的信息转化为隶属度和模糊逻辑算子，并且两者都是基于原始数据的分布而直接得到的，这就使得隶属函数和模糊逻辑系统的建立更具客观性、严密性和统一性。现在，AFS模糊理论已经得到进一步的发展，并且已经应用到模糊决策树、信用分析、模式识别和故障诊断等领域。 在很多模糊系统中，我们常常需要对原始属性进行模糊划分，添加一些语言标签(例如大，中，小等)，把原始属性空间映射到模糊属性空间上。为了减少模糊化后运算的复杂度，通常我们就需要对属性进行筛选，删除冗余和无关的属性，得到一个最优的属性子集，也就是属性选择。 本文提出了一种基于AFS模糊逻辑和属性选择的分类算法。首先，运用AFS模糊逻辑对原始空间进行模糊化；其次，采用基于最大最小值原理和模糊扩展矩阵的属性选择算法对模糊属性进行筛选，得到最优模糊属性子集；再次，在具有最优模糊属性的数据空间上挖掘模糊分类关联规则，得到各数据类的模糊描述。实验表明，该算法切实可行，可操作性好，并且已经取得了较好的分类效果。