描述逻辑是人工智能的逻辑基础,能够对客观世界的概念和角色进行表示和推理。但是由于概念的扩展有严格的限制,传统的描述逻辑系统不能够处理粗糙的(或模糊的)概念。本文将基于粗糙集语义的下近似和上近似引入描述逻辑系统中,使用一种简单的方法将传统描述逻辑进行扩展,使其能够用定性的方法来处理近似概念定义,并且,扩展后的语言中的推理问题可以简化为标准描述逻辑中的可满足性问题。这样,我们就可以对粗糙的概念进行形式化描述并对概念的粗糙包含进行推理。本文的工作可以使得在描述逻辑中对不确定的知识进行表示和推理更加方便。　　 本文主要分为以下六部分:　　 第一部分是绪论,阐述了本文选题的来源、课题研究的意义、研究过程和方法。　　 第二部分是背景知识,主要介绍描述逻辑和粗糙集理论的基本理论和基本思想。　　 第三部分是本文的核心部分,主要讨论描述逻辑ALC的粗糙扩展,介绍扩展后所得到的粗糙描述逻辑RALC的语法、语义和相关推理问题,然后讨论如何使用粗糙描述逻辑来对不精确概念进行建模,最后提出了一个RALC的可满足性问题的推理算法。　　 第四部分简单介绍了能够有效处理近似概念的粗糙描述逻辑RALCAC的性质和语义推理,它是RALC的近似概念扩展,能够使用近似概念对模糊知识进行精确建模。　　 第五部分用简单的例子来说明如何在粗糙描述逻辑中描述模糊的概念。　　 第六部分总结了全文的工作、讨论了相关工作并提出了今后研究方向。