经典粗糙集理论是Pawlak教授于1982年提出的一种能处理不精确、不一致、不完整信息的数据挖掘方法，其核心思想就是通过使用一对近似算子来逼近目标概念，它与经典集合理论、模糊集合理论并称为三大集合理论。粗糙集理论由于具有不需要任何先验知识、易于理解、容易实现等优点，在数据挖掘、模式分类和智能信息处理等领域得到了广泛的应用，已成为近几年的热点研究领域。为了克服经典粗糙集的不足，即缺乏有效的容错能力的问题，研究人员提出了具有参数可调性的概率型粗糙集模型，如决策粗糙集、变精度粗糙集。但这些推广模型仍是基于等价关系的，不适用于处理实值数据。针对这一问题，本文将概率粗糙集中的等价关系推广到相容关系，提出了概率相容粗糙集模型，研究了模型上、下近似算子的基本性质、数字特征和属性约简。另外，本文在考虑贝叶斯最小风险决策情况下，将决策问题转化为一个阈值参数的最优化问题，采用遗传算法对该问题进行了求解。