随着数据量的爆炸式增长,数据中蕴含的知识信息也越来越复杂多元化。因此,如何从海量数据信息中有效地挖掘出知识成为了当今学者研究的一大热点问题。知识发现一直都是大数据技术下的一个主要研究点之一,基于概率粗糙集的三支决策就是一种典型的知识发现算法,一个作为解决复杂问题和不确定性问题的三分而治模型,并且结合多粒度思想构建的序贯三支决策模型,能很好地实现复杂问题的动态决策的效果。然而,在实际决策中,当没有决策能力强的条件属性时,序贯三支决策容易造成超出容忍度的错误,而三支决策因为需要考虑所有属性划分等价类从而导致模型的决策效率较差;在实际分类问题中,传统的机器学习多分类算法缺乏到动态分类能力,而序贯三支决策作为一个多粒度分类算法在粗粒度空间下容易产生决策冲突,并且缺乏合理的策略对最终未分类对象进行最终分类。因此,本文结合综合评判的思想对现有的三支决策模型进行了深入研究,提出了两种不同的三支决策扩展模型,其主要研究工作如下所示:（1）综合所有条件属性的角度考虑,提出了一种基于综合评判的民主三支决策（D3WD-VM）。通过粗粒度获取不同属性的决策意见,得到最终的决策结果。一是建立了投票机制,兼顾了所有条件属性的决策意见,实现了综合评判的机制。接下来,为了使决策结果更加合理,在投票机制中利用归一化后的信息增益比来优化条件属性的投票权重。然后,基于人类认知科学,设计了两种不同的决策策略来做出最终决策。最后,实验结果表明,与S3WD相比,D3WD-VM的准确率和综合评价指标也有一定的提高,其决策效率也优于3WD;（2）结合集成学习和粒计算的思想提出了一种基于综合评判的多粒度集成分类算法。首先,通过选择每一粒层中分类能力较强的条件属性作为属性代表来构建分类器,形成基于属性代表的集成分类器。其次,通过评分表保留粗粒度空间下分类器的分类意见以减少细粒度下需要考虑的属性个数。最后,采用“相对最优”的策略,将反对率最少的决策类作为最终未分类对象的分类结果。通过实验验证,本文方法相比于序贯三支决策以及其他机器学习的多分类算法具有较好的鲁棒性、分类效率以及分类性能。综上,本文基于综合评判的思想从决策和分类两个不同的实际问题场景提出了两种不同的三支决策模型,其目的是为了使得所构建模型在不同的应用场景下具有更好的鲁棒性以及模型性能。