粗糙集理论是波兰科学家Pawlak教授提出的一种有效地处理模糊、不确定性、不完全知识的数学工具.知识约简是粗糙集理论处理问题的主要任务之一.众所周知,知识库中描述知识的属性并不是同等重要的,甚至某些属性是冗余的.这样一方面造成了资源的浪费；另一方面信息过于繁杂,会给人们作出正确决择带来阻碍.所谓知识约简,就是保持知识库分类能力不变的条件下,去除其中不必要或不重要的属性,使问题表示简化,这正是人们所期望的.本文主要介绍粗糙集的基本理论,其中详细介绍了不完备贝叶斯、直觉模糊、区间值决策信息系统三类模型,同时对知识进行约简,删除冗余属性,提高了分析和处理信息的效率.本文的主要研究内容如下：(1)在不完备贝叶斯决策信息系统中,改进了全局增益函数,结合二进制分辨矩阵编码方法提出了一种新的不完备贝叶斯决策信息系统启发式属性约简算法,并将其应用于系统的故障状况诊断研究中,该方法提高了约简的效率.(2)在不完备直觉模糊信息系统中,提出了新的改进模型.首先通过引入贴近度,定义了贴近率.同时将容差关系进行拓展,提出了基于贴近度和贴近率的双精度容差关系,并给出贴近率的矩阵表示形式.其次引入信息熵理论,提出一种基于互信息的不完备直觉模糊决策信息系统的属性约简算法.最后给出实例验证该算法的有效性.(3)针对乐观多粒度粗糙集的下近似决策过于宽松,而悲观多粒度粗糙集的下近似决策又过于严格的缺点,将多粒度粗糙集、变精度粗糙集和不完备区间值信息系统三种思想和研究方法融合.以限制优势关系为基础,在变精度粗糙集和多粒度粗糙集的基础上,提出了变精度多粒度粗糙集模型,分别包括变精度乐观多粒度粗糙集和可变精度悲观多粒度粗糙集.并讨论了模型的性质,近似精度,粗糙度.同时定义了模型属性重要度的概念.