随着信息技术的快速发展,具有海量、高维、动态、分布式等特征的大规模复杂数据不断涌现,如何从这些复杂的数据中获取高价值的信息显得异常重要。粗糙集作为一种处理不确定性、不精确性知识的重要工具,目前已经广泛应用于模式识别、特征提取、规则提取等领域。然而,传统的粗糙集模型要求数据是完备精确的,对于不完备、动态数据的处理具有一定的局限性。集值信息系统作为单值信息系统的重要扩展类型,是处理不完备、不确定数据的重要模型。本文以集值信息系统为研究对象,研究了动态数据环境下多粒度粗糙集建模及其动态近似更新问题。主要研究内容概述如下:1.在集值信息系统中,基于相似关系构建单粒度粗糙集模型并研究了其基本性质。通过定义相似度指标构建相似关系来描述不同对象之间的差异性,能够实现对数据相似程度的量化。进而根据上下近似算子构建单粒度粗糙集模型以处理集值信息系统中的不确定性问题。最后,将模型应用于案例中,证明了所推导的性质的正确性。2.在单粒度粗糙集模型的基础上,通过定义特征函数,构建了集值信息系统中的悲观多粒度粗糙集模型与乐观多粒度粗糙集模型。为了提高多粒度粗糙集模型处理信息的灵活性,本文通过引入参数β∈[1,0]构建广义多粒度粗糙集模型并分析模型的基本性质。3.考虑到传统多粒度粗糙集模型中近似算子的严苛性,进一步将决策理论引入集值信息系统构建多粒度粗糙集模型,通过在模型中使用条件概率对相似类与目标集的包含关系进行替代,避免了因个别对象不包含于目标集X而造成近似集合中元素不合理流失的情况。4.在动态数据环境中,设计了多粒度粗糙集模型的动态近似更新算法。首先,根据变化数据与原有对象相似类之间的关系发现多粒度近似空间的变化规律;进而,设计了数据动态增加与删除对象时的多粒度动态近似更新算法;通过与静态算法在时间方面的对比验证了优化算法在处理效率上相对于静态算法的显著优越性。