随着考试种类的越来越多,我们需要一种考试分析系统,将不同的考试进行分类管理和分析比较,并将分析的结果当作指导我们工作和决策的依据,这对招生考试管理机构具有十分重要的意义。由于考试考生信息的复杂性,为了降低考试分类系统的复杂度,提高系统分析的效率,我们采用数据挖掘的方法来对数据进行处理和分析。数据挖掘中常用的方法有：统计分析方法、遗传算法、模糊集方法和神经网络方法。由于考试考生信息的不确定性,我们采用的是模糊集方法,将数据集转化为类集。本文通过区间值模糊集的特点,对考生信息进行模糊化处理,得到能够反应每个考试考生集合的n个属性区间(如年龄区间、学历区间等),通过这n个属性区间代表不同的考生集合。根据区间值模糊集在相关程度度量方面的多种贴近度度量算法,对不同的考试考生集合进行贴近度分析,以判断考试与考试之间生源的贴近情况,达到我们考试分析决策的要求。通过对目前常用的贴近度方法的测试,发现现有方法,如常用的经典方法Dengfeng-Chuntian方法、Michell方法等,都是基于特定环境或假设所提出,其精确度受前提条件的影响较大,均不能满足本系统在不同比较过程中对精确度的不同需求。由此,作为今后研究的理论基础,我们结合考试分析系统的具体情况对目前常用的贴近度方法进行统一的改进,在现有方法的基础上提出了一种新的贴近度方法,并给出了构造函数。随后我们通过举例说明了基于新构造的函数,可以按照系统的不同需求进一步构造出所需精确度的贴近度函数。