粗糙集理论是处理不精确、不确定和不完整的一种新的数学工具。本文介绍了粗糙集的基本概念和研究现状,在此基础上研究粗糙集的两个因子、不确定测量方法、属性约简和属性细化以及粗糙集方法在软集合参数约简中的应用问题。具体内容介绍如下：(1)针对原确定增量算子与不确定减量算子表达式没有清晰表达这两个算子真实含义的问题,重新定义该算子,并从理论上证明两类算子定义方式是等价的。在此基础上提出多集合确定增量算子与不确定减量算子定义,并研究两类多集合算子的性质。(2)提出一般关系下的信息熵和条件熵的概念,并从理论上证明一般关系下的信息熵是等价关系与相容关系下的信息熵的扩展,且一般关系下的条件熵是等价关系下的条件熵各项分量的加权和。其次提出粗覆盖下的条件熵与互信息熵的概念,并研究了它们的性质。(3)对已有和声搜索算法的两个重要调节参数进行改进,利用每次迭代目标函数值的最大差值来调节这两个参数,提出自适应和声搜索算法,为验证算法的有效性,利用五个标准测试函数且与其它三种优化算法作比较,仿真结果表明自适应和声搜索算法具有跳出局部极小值的能力和较强的鲁棒性。最后把该算法应用到粗糙集属性约简中,利用属性重要度作为属性约简的启发式信息,得到比较好的结果。(4)把粗糙集不可分辨关系引入到软集合中,提出软集合正则参数约简的定义,并利用软集合参数重要度得到正则参数约简的必要条件,且给出正则参数约简算法。在此基础上研究模糊软集合正则参数约简问题。最后研究模糊软集合方法在决策问题上的应用,举例说明目前已有方法的不足,并对已有方法进行修正。(5)提出了有效等价细化和有效集合细化的概念,研究条件属性细化程度与上近似、下近似、近似分类精度、近似分类质量、规则数目、相对约简和属性必要性的关系。