近年来,随着网络和智能设备的出现和普及,越来越多的数据涌现出来。随着数据对人们生活的影响越来越强,数据被认为是“新时代石油”。如何从数据中挖掘出有效的知识,是一个亟待研究的问题。犹豫模糊集理论作为一种新的模糊集扩展模型,是处理决策问题中不确定信息的有效工具。传统的犹豫模糊多属性决策方法（Multi-attribute Decision Making,MADM）只能选择最优策略,不能适用于复杂决策。通常,在实际应用中,决策问题可能会更加复杂,需要决策者给出接受、不承诺和拒绝三种决策。三支决策通过一对阈值将论域划分为三个不相交的区域,可以更有效地解决这些问题。因此,如何利用三支决策理论处理犹豫模糊数据是一个需要研究热点问题。本文将三支决策理论应用于犹豫模糊信息的处理,提出了两个犹豫模糊三支决策模型,主要研究内容如下:（1）本文从犹豫模糊距离的角度,提出了一种犹豫模糊三支决策模型。首先,由于犹豫模糊数是多个可能的隶属度的集合,它不能直接与阈值进行比较。因此,本文将其转换为距离与阈值的比较。然后,为了更合理地计算阈值,引入了阴影集理论,避免了阈值获取的主观性。且从犹豫模糊距离的角度,提出了新的决策规则。在此基础上,采用序贯策略求解多属性决策问题。最后,通过医疗诊断实例和仿真实验验证了所提出的犹豫模糊三支决策模型的准确性和有效性。（2）结合贝叶斯最小风险决策,从最小决策代价的角度,本文提出一种新的犹豫模糊三支决策模型。然而由于犹豫模糊集隶属度具有特殊的表示形式。本文定义了接受度和反对度,来刻画该对象属于目标概念的程度和不属于目标概念的程度。通过贝叶斯决策理论,把接受度和反对度分别代替传统决策理论粗糙集的隶属度和非隶属度,以此来推导决策规则。通过这种方法,可以得到犹豫模糊环境下新的阈值计算公式以及新的评价指标。为了弥补最大偏差法在计算属性权重上的不足,提出了基于单个元素模糊熵的属性权重计算方法,以获得具有更强划分能力的属性。最后,提出一种基于代价最小的犹豫模糊三支决策模型,并通过实验验证了其有效性。