El objetivo fundamental de esta línea es establecer nuevas técnicas de minería de datos utilizando Conjuntos y Lógica Difusos partiendo de datos que pueden ser imprecisos e inciertos y obteniendo un conocimiento cuya representación es más intuitiva y flexible. Concretamente hemos estudiado se estudiaron el Agrupamiento Difuso (Fuzzy Clustering) y la Clasificación Difusa. Con este enfoque se puede tratar con grupos en los que la pertenencia de un elemento a un grupo no es exacta, por ejemplo   el agrupar en distintos tipos  los clientes de un banco, o los votantes en unas elecciones se plantea de forma mucho más flexible (un cliente concreto puede ser de un tipo u otro con un grado de pertenencia, o un posible votante puede tener la intención de  votar a un partido u otro con un grado.)

Otro resultado importante de esta línea es la definición de un modelo de cubo de datos con dimensiones valuadas en conjuntos difusos y el desarrollo de algoritmos específicos para realizar OLAP con datos imprecisos sobre él. La implementación de estos resultados ha dado lugar a FCUBEFACTORY sistema ha sido registrado como propiedad intelectual.

Los resultados obtenidos dentro de esta línea se han aplicado a diversos ámbitos: en el campo de la medicina se han estudiado dependencias aproximadas y desarrollado cubos de datos específicos, la aplicación de estos resultados a historias clínicas ha dado lugar al sistema software registrado FAMILIMED. En agricultura se han obtenido mecanismos de predicción de rendimiento del olivar y en gestión comercial se han estudiado la predicción de fraude en tarjetas de crédito y la gestión de inventarios.