随着信息技术的飞速发展,海量的文本数据不断增长。与数值数据不同,文本数据的处理更为复杂和困难。容错粗糙集模型是对经典的粗糙集的扩展,把论域基于等价关系形成的划分扩展为容错关系,这种容错关系能够很好地应用于自然语言处理领域。本文从文本数据不确定性和不精确性的角度,对自然语言处理的文本处理问题,利用容错粗糙集进行了研究。首先,文档表示是自然语言处理的基础之一,根据不同的权重计算方法,本文提出了两种基于容错粗糙集的词袋模型文本表示算法。该算法解决了传统词袋模型具有的稀疏性和缺乏语义关联的缺点。同时也不需要任何训练或者先验知识。通过对不同数据集和不同文档表示方法在文本分类任务的对比实验,验证了本文所提出方法的性能。其次,本文对传统的容错粗糙集模型进行了改进,解决了其时间复杂度较高和不具有增量性的缺点。并引入概率容错粗糙集,对所提出文本表示算法进行改进,将其应用于语句相似度计算中,提出了一种非监督的基于概率容错粗糙集的语句相似度计算算法。每个语句都由一对上近似和下近似表示,分别计算每对语句间的上近似相似度和下近似相似度。最终的语句相似度表示为其上近似相似度和下近似相似度的线性组合。在SICK2014任务中句子相似度计算的实验证明了本文所提出模型的显著性和有效性。最后,本文利用Z数对不确定性事件的可靠性进行衡量,结合容错粗糙集,提出了基于容错粗糙集和Z数的机器翻译评价算法。将Z数转换为常规模糊数,再利用模糊综合评价算法,结合容错粗糙集,计算人工评价的分数。最后通过实例进行了分析。