各种实际信息系统中都存在着不确定性，并且多种不确定性往往同时存在。如何有效合理地表示这些混合不确定性是信息表示和处理中的基础性关键问题。为此，本文研究了由随机性、模糊性和粗糙性等几种基本不确定性组合构成的三类常见混合不确定性的表示处理，并研究了它们在回归分析、模式分类以及证据推理等方面的应用。本文主要内容和创新总结如下：第一章详细介绍了本文的研究背景，回顾了混合不确定性表示的目前国内外研究现状，并介绍了作者的主要工作。第二章介绍了已有的几种不确定性表示理论，包括概率论、证据理论、模糊集理论和粗糙集理论。第三章首先介绍了基于模糊规则的模糊系统建模方法，给出了概率模糊规则基的形式。然后提出了从数据生成概率模糊规则基的方法，实现概率模糊系统建模。当后件变量（输出变量）为定量连续变量时，提出了一种从数据生成Mamdani型概率模糊规则方法；当后件变量为定性离散变量时，提出了一种从数据生成概率模糊分类规则方法。将两类概率模糊系统分别应用到非参数回归分析与时间序列预测以及模式分类中，取得了不错的结果。第四章提出了一种连续区间上具有模糊值信任函数的模糊证据理论。鉴于模糊刻画的普遍性以及连续区间论域的常见性，连续区间上证据理论的一些模糊扩展被提出。在这些扩展中，或多或少存在一些问题，比如信任函数对焦元的重大改变不敏感，缺少对信任函数可以解释为下概率这一特性的验证，点值信任函数与模糊证据体一般不等价等等。因此，本章定义了连续区间上具有模糊值的信任函数。对于一大类模糊证据体，从理论上证明了其与所定义的模糊值信任函数的等价性。并证明了这样定义的模糊值信任函数具有相应的概率语义解释。第五章提出了用于模糊粗糙集分析的从模糊属性数据构造模糊T相似性关系的方法。作为粗糙集的模糊推广，模糊粗糙集分析是从连续或模糊数据中发现知识和提取规则的有效方式。模糊关系同时对模糊性和粗糙性实现了表示，是模糊粗糙集分析的前提和基础。一般要求模糊关系满足一定的条件，即是一个模糊T相似性关系。本章给出了从模糊属性刻画数据生成模糊T相似性关系的方法，为后续的模糊粗糙分析处理打下了基础。第六章给出了本文的总结和对未来工作的展望。