隶属函数是对模糊概念的定量描述。确定隶属函数是应用模糊集理论解决实际问题的关键。隶属函数本质上要符合人们认识事物的规律,同时遵循一定的规则。由于人们认识事物的差异性,隶属函数的确定过程必然带有一定的经验性和主观性。为充分反映事物客观规律,提高隶属函数处理自然语言和不确定性问题的能力,本文做了以下研究:1.构建一种新的隶属函数——基于AFS(公理模糊集理论)的区间二型隶属函数(AFSIT2MF)。AFSIT2MF是由观测数据方差区间值和精确均值来确定的,并以经典数据集Iris数据集上一个模糊概念的隶属函数为例,展示AFSIT2 MF的确定过程。2.为验证AFSIT2 MF的有效性及合理性,构建基于AFSIT2 MF的聚类算法。并以四组数据实验来验证该聚类算法,实验结果不但展示出AFSIT2MF的有效性和合理性,并且展现AFSIT2MF良好的可解释性。3.为验证AFSIT2 MF处理不确定性信息的能力,提出基于AFSIT2 MF的分类算法,用12组来自UCI的数据集测试该分类算法,分别与基于AFS的分类算法和经典分类算法进行比较。实验结果表明基于AFSIT2 MF的分类算法具有较好的分类准确率,同时展示AFSIT2MF具有有效的处理不确定性信息能力。