En apprentissage automatique supervisé, il est important de rendre compte correctement des liens reliant les variables de description (ou attributs) des données à leur classe, par exemple pour la construction d'arbres de décision flous monotones. Dans cet article, en considérant que chaque attribut et la classe forment une partition floue finie et complètement ordonnée d'étiquettes, des versions floues des mesures de discrimination de rang de Shannon et de Gini, utilisant une définition de dominance floue, sont introduites pour permettre la sélection d'attributs liés de façon monotone à la classe. Avec ces mesures, un nouvel algorithme de construction d'arbres de décision flous, rendant compte d'un lien monotone entre les attributs et la classe, est proposé et expérimenté sur un jeu de données artificielles.