粗糙集理论是波兰数学家Pawlak于1982年提出的。它是一种新型的处理不确定性和不精确性知识的数学工具，目前已在机器学习、决策分析、过程控制、模式识别与数据挖掘等领域得到广泛的应用。模糊集理论是美国计算机与控制论专家 L.A.Zadeh于1965年提出的。目前以模糊推理为核心的人工智能技术在许多领域取得了明显的成果和经济效益。　　模糊集和粗糙集理论的共性在于二者在处理不精确性和不完全性问题方面都推广了经典集合，它们都可以用来描述知识的不精确性和不完全性。然而它们的侧重面不同，粗糙集主要着眼于知识的粗糙性，而模糊集主要着眼于知识的模糊性。　　有序决策问题，即在条件属性和决策属性上存在序结构的决策问题，在实际应用中广泛出现。偏序分析是多标准决策中的一项重要任务。当前的研究主要是用优势关系来处理偏序分析问题。模糊偏序关系不仅能反映对象之间的序结构，而且能反映对象之间占优的程度。　　本文主要研究有序决策的模糊粗糙集模型，介绍了有序决策的经典优势关系粗糙集模型、有序决策的模糊偏序关系模型。本文将模糊偏序关系引入到模糊覆盖粗糙集模型中，构造了有序决策的模糊覆盖偏序关系粗糙集模型，给出了基于模糊偏序关系的模糊覆盖的上、下近似的定义，将该模型与经典优势关系粗糙集模型进行了比较。最后，通过人工数据和真实的有序决策分析实验，验证了所构造的模型的有效性。