随着信息时代到来,面对纷繁复杂的数据信息如何进行准确的分类是学者们广泛关注的问题。传统的分类算法常常以数值为中心并追求分类结果的高准确度,这使其在面临复杂数据分类时往往会呈现出模型结构复杂、可解释性低等现象,限制了该类算法在在医疗诊断、经济管理和生物信息等领域的应用。为此,本文结合粒计算理论构建结构简单、性能可靠且具可解释性的模型。论文的主要研究内容包括:（1）基于合理粒度准则,提出了一种从多维角度构建高斯信息粒的方法。首先,本文在考虑原始数据相关性特征情况下,设计了高斯信息粒的一类多维目标函数;然后,通过求解目标函数获得高斯信息粒的相关参数;最后,利用置信度确定高斯信息粒的具体形式。该方法直接从多维角度描述数据的结构分布,揭示数据的多维特征。不仅如此,本文还考虑了抑制数据对信息粒的影响,并设计了一种从多维角度处理抑制数据的方法。相关的实验结果说明了本文提出的高斯信息粒构建方法与抑制数据处理技术的有效性。（2）基于分层思想,设计了一种多层次粒分类模型的构建方法。首先,采用模糊C均值算法对数据进行聚类分析,并根据聚类结果构建信息粒;随后根据信息粒内数据的混杂程度决定是否细化当前信息粒,即使用多个细粒度的信息粒对原始数据进一步描述。此外,本文还构建了一类基于特征选择的多层次粒分类模型,考察了特征子空间中多层次粒模型的分类效果。最后,在人工合成数据集、公开数据集和医疗数据集上进行了仿真,实验结果表明提出的多层次分类模型能够实现对数据结构的多粒度描述并达到较好的分类效果。