近年来,随着决策环境的日趋复杂,决策者受限于其认知水平,有时难以采用精确的数值表述评估信息。语言型模糊集以其刻画直观、操作灵活、符合人类思维习惯等优点在决策问题中应用广泛。在决策实践中,语言型多属性群决策问题多呈现出如下特征:①决策信息犹豫模糊,评估形式丰富多样;②决策行为有限理性,决策偏好存在差异;③决策群体结构复杂,群体信息内在冲突;④决策属性不完全独立,评估属性相互关联。因此,针对语言信息环境下的多属性群决策问题,研究如何完善现有语言型模糊集的信息测度,如何有效处理混合异质语言评估信息,如何改进效用模型刻画不同类型决策者的有限理性行为,如何处理复杂冲突的群体信息以及属性间的相关关系,具有重要的研究意义和应用价值。本文从语言型多属性群决策问题的特点入手,根据决策问题的复杂程度以及专家对决策问题的认知程度,选用直觉语言集、犹豫模糊语言术语集和概率语言术语集刻画犹豫模糊情形下的属性偏好信息。在决策过程中,借助云模型处理混合异质语言评估信息;进而,提出S型参考点相依双曲绝对（S-HARA）效用函数和非S型参考点相依双曲绝对（NS-HARA）效用函数,以研究不同类型决策者的有限理性行为;考虑到群体决策信息的复杂性和冲突性,建立信息聚类和共识达成模型;此外,借助Pearson相关系数等工具构建关联型属性的权重确定模型。本文的主要研究工作如下:（1）研究评估信息为直觉语言集的小群体决策问题,提出基于S-HARA和NS-HARA效用函数的直觉语言群决策方法。针对一般决策问题,专家对决策问题的认知程度较高,直觉语言集可精准表述专家对决策对象的语义评估,并反映该语义评估的支持度、反对度和犹豫度。为量化直觉语言评估信息,首先定义G-记分函数用以比较评估信息的优劣,G-记分函数解决了现有测度因弱化犹豫信息而导致的计算失准问题;进而,提出直觉语言集的二元熵度量评估信息的犹豫性和模糊性,并利用基于G-记分函数的距离测度和相似性测度量化评估信息的偏离程度和一致程度,改进的信息测度具有良好的测算精度,进一步丰富了直觉语言多属性决策理论。其次,构建基于社会网络关系和二元熵测度的决策者赋权模型,并建立基于最小平方原理和Pearson相关系数的属性赋权模型。决策者赋权模型兼顾了群体信息差异度、决策者权威度和信息不确定度,可全面度量评估信息的可靠性;属性赋权模型综合考虑了主、客观因素和属性相关性,进一步提高了现有赋权模型的实用性。为处理群体决策信息的冲突性,给出不完全协作行为下的共识达成规则,该规则解决了现有模型因未关注决策者社会影响力,而导致的决策结果与实际情况相悖的问题。最后,结合信息测度、权重模型和共识达成步骤,分别提出基于S-HARA和NS-HARA效用函数的直觉语言多属性群决策方法。研究发现:通过S-HARA和NS-HARA效用函数的选取,可模拟不同风险偏好类型决策者的决策行为;通过HARA函数中的参数调整,可量化不同决策者的效用值。随着绝对风险规避系数的减小,决策行为逐渐谨慎,决策者倾向于选择更为保守的备选方案。（2）研究决策信息为犹豫模糊语言术语集的大群体决策问题,提出基于S-HARA和NS-HARA效用函数的犹豫模糊语言群决策方法。针对复杂且新兴未知的决策问题,考虑到专家对决策问题的认知程度有限,利用犹豫模糊语言术语集可有效描述专家在信息评估时的犹豫不决,为提高决策可靠性,需邀请大量专家参与决策。为此,针对大群体决策信息的复杂性和差异性,首先定义基于犹豫度的H-距离测度,并据此提出改进的传递闭包法对复杂群体信息进行聚类分析;改进的传递闭包法给出了分类精度指标,并对同一类中等价关系小于阈值的元素重新聚类,该方法进一步提高了聚类的可靠性。其次,给出不完全协作行为下的共识达成步骤,以处理群体信息的差异性。针对如何确定决策者权重问题,利用信息犹豫度,建立类内决策者赋权模型,结合犹豫度、共识度以及类内专家数量,建立决策者的类间赋权模型,以解决现有方法因忽略信息不确定性而导致的赋权不合理问题。针对属性赋权问题,利用最小交叉熵、网络层次分析法（ANP）和离差最大化法确定属性权重,以处理属性间的相关关系。最后,定义H-记分函数,结.合权重模型、聚类方法和共识达成步骤,分别提出基于S-HARA和NS-HARA效用函数的犹豫模糊语言多属性群决策方法。研究结果表明:H-距离测度解决了现有测度因需人为增加元素而导致的原始信息扭曲的问题,基于H-距离测度的改进传递闭包法可有效提高分类精度。兼顾犹豫度、共识度以及类内专家数量的类内和类间决策者赋权模型,可有效避免决策信息的权系数均化现象。（3）研究决策信息为概率语言术语集的大群体决策问题,提出基于S-HARA和NS-HARA效用函数的概率语言多属性群决策方法。针对复杂且常规决策问题,考虑到专家的信息评估较为谨慎,此时,可选取概率语言术语集刻画评估信息。概率语言术语集是犹豫模糊语言术语集的进一步拓展,它不仅允许决策者利用有限个语言术语表述对评估对象的犹豫不决,而且反映了每个语义评估的概率值。为量化概率语言评估信息,首先定义犹豫度量化评估信息的犹豫性,据此给出P-记分函数比较评估信息的优劣,并提出交互熵测度量化评估信息的偏差程度。P-记分函数解决了现有函数因弱化信息犹豫度而导致的计算失准问题;改进的交互熵测度兼顾了语义评估和概率完备性的交互关系,与距离测度相比具有更高的分辨率。其次,构建基于信息可靠度的决策者赋权模型,并建立基于熵权法和决策试验和评价实验法（DEMATEL）的属性赋权模型,以提高权重计算结果的合理性和实用性。针对大群体决策信息的复杂性和冲突性,提出基于交互熵测度的改进编网聚类法;进而,定义共识测度并给出带有反馈机制的大群体共识达成模型,相对现有自适应共识达成模型,具有更强的实用性。最后,结合信息测度、权重模型、聚类方法和共识达成步骤,分别提出基于S-HARA和NS-HARA效用函数的概率语言多属性群决策方法。研究结果表明:考虑犹豫度的概率语言P-记分函数具有较高的量化精度;大群体信息共识达成规则兼顾了权威少数意见和不完全协作行为,可有效处理群体决策信息的“噪点”对决策结果的影响。（4）研究决策信息为直觉语言集、犹豫模糊语言术语集和概率语言术语集的混合型语言群决策问题,提出基于S-HARA和NS-HARA效用函数的混合型语言多属性群决策方法。针对混合型语言群决策问题,首先定义直觉语言术语集、犹豫模糊语言术语集和概率语言术语集的云转换模型,据此处理混合型语言评估信息。进而,结合云模型的综合期望相似度和形状相似度,提出云模型的组合相似度,以解决现有测度在两朵云不相交时,出现的测算失准问题。针对如何确定决策者权重问题,利用云不确定度建立类内决策者赋权模型;结合云不确定度、云相似度和类内专家数量,建立决策者的类间赋权模型。针对属性定权问题,利用最小平方法、云DEMETEL和离差最大化法,确定属性赋权模型。最后,结合云转换模型、赋权模型、聚类和共识达成步骤,分别提出基于S-HARA和NS-HARA效用函数的混合型语言多属性群决策方法。云模型决策环境下的聚类方法、属性和决策者赋权模型以及共识达成模型,扩展了云模型在多属性群决策问题中的应用。研究发现:采用云转换模型可有效处理混合型语言评估信息;利用最小平方法、云DEMETEL和离差最大化确定属性赋权模型,可综合考虑主、客观因素和属性之间的关联性,提高决策结果的可靠性。