作为模糊集的推广,直觉模糊集因同时考虑了对象的隶属度、非隶属度和犹豫度三方面的信息,从而比传统的模糊集在处理不精确、不确定性的问题上显得更具灵活性和实用性.另一方面,散度作为信息之间的度量,在分类问题中因表示信息之间的差异程度而得到广泛研究.许多学者针对其公理化定义和具体表达公式做了大量的工作,并且被广泛应用在多属性决策、模式识别等许多方面.本文基于直觉模糊集散度测度的公理化定义,在讨论已有散度测度的基础上,对直觉模糊集的散度测度,熵测度、以及它们的性质、相互关系进行了讨论,结果可直接应用到推荐系统与模式识别中.首先,利用直觉模糊集的结构特点,将Dragomir随机分布散度转化为直觉模糊集之间的散度,研究了该散度的性质,讨论了所提出的散度在推荐系统中的应用.其次,对应于Vlachos和Sergiadis的方法,给出了一种直觉模糊集的熵测度,再结合Shapley函数,提出一种基于χ2分布的加权直觉模糊散度测度.最后,将所提出的直觉模糊散度测度进行推广,得到一种基于χ2分布的区间值直觉模糊散度测度,并举例说明了所提出的散度测度在模式识别与多属性决策中的应用.