粗糙集(Rough Set)理论,是波兰科学家Z.Pawlak教授在1982年提出的一种既能满足数据集合不同简洁程度的要求,又不需要数据额外信息的处理模糊和不确定信息的知识表达、归纳和推理的数学理论。近年来,它已被应用于机器学习、数据挖掘与知识发现、决策支持与分析、和故障诊断等领域而成为当前计算机科学、人工智能以及信息科学等领域研究的热点之一。本文主要针对粗糙集理论两个方面的问题进行研究:1)粗糙集产生决策规则的方法是先求出信息系统的约简,然后再在约简的基础上得出决策规则集。但此时得出的规则集并不是最简,通常情况下还要进行规则约简。为了解决上述问题,在第三章中提出基于信息粒的二进制表示的规则提取算法。基于粒语言和粒逻辑的定义,通过简单的二进制位运算去实现规则的选择标准的求解(Rough必然因子和可能影响范围因子),使其容易计算机实现,达到快速提取规则的目的。2)经典粗糙集理论中,每个样本对象的所有属性值都是已知的。但在现实情况下,得到的数据往往是不确定的或缺损的。此时等价关系不再成立,这就极大的限制了粗糙集理论向实用化方向发展。因此,我们需要进行粗糙集模型的拓展。在本文的第四章中,首先,利用区间灰集表示不完备信息系统,提出灰色信息系统的概念;进而,对灰色信息系统的粗糙集模型拓展进行了研究,即提出了K等价度的灰色相容关系,并以实例说明K等价度的灰色相容关系更符合实际;最后对拓展模型的最大相容类的性质进行了研究。