随着大数据时代的到来,大规模复杂结构的不确定性数据越来越普遍。对目标对象的描述数据不再局限于单个数据源,需要对多源异构的不确定性数据进行整合。因此,如何快速协同地分析这些数据已成为当前大数据领域的研究热点。而粒计算是一种能够模拟人脑思维对复杂问题进行求解的新方法。它能够模拟人类对世界的认知机制——从多个维度、多个视角和多个层次来描述和感知现实世界,从而对复杂问题进行求解。粒计算逐渐成为不确定性问题求解的重要理论,多粒度分析也已经成为人类认知能力的重要特征。神经网络是一种模仿神经元组成的并行处理网络模型。通过模拟生物神经系统来反馈现实世界的交互,使其具有很强的适应能力。误差反向传播算法(error BackPropagation,BP)是神经网络中的杰出代表,也是成功的神经网络学习算法。针对金融趋势的结果预测问题,提出了融合粒计算思维,把BP神经网络进行粒度划分,使其在趋势预测上具有粒度观,更符合人脑的思维模式。融合了粒计算思维的BP神经网络在金融趋势预测上取得了较高的成绩,相较于传统的神经网络预测结果,它在股票收盘价预测中取得了更高的精准度。视频跟踪是计算机视觉中的一项基本工作,在智能驾驶、医疗、军事工程等领域有广泛的应用。现阶段的研究基本上是通过融合多类型特征来提高跟踪算法的精准度,但是未能考虑多个特征之间的粒度关系。基于此,为了更好的模拟人脑的视觉跟踪机制,引入了粒计算思维,把特征间的关系用粒度的多视角、多层次进行描述并粒化使用。基于深度卷积神经网络并结合粒计算思维提出了多粒度相关滤波视频跟踪算法。该算法充分考虑各特征之间的粒度关系,能够综合分析各粒度下的跟踪结果并筛选最优;与多个较为先进的视频跟踪算法在OTB-2013和OTB-2015两个公开数据集上进行实验,在尺度变化、快速运动、平面内旋转和平面外旋转上均体现出较好的性能。在图像超分辨率重建领域中,结合粒计算思维提出多粒度深度神经网络的图像超分辨率重建方法,在超分辨率重建算法上引入粒度概念。其做法是把整张图像的超分辨率重建按粒度划分成不同的粒,在粒层下进行运算后,再进行粒度整合。所提算法在峰值信噪比上取得了较好的实验结果。粒计算思维结合神经网络,为其提供了一种解决问题的新模式。该模式对数据、目标对象、求解过程甚至求解结果进行粒度划分,进而对粒化结果进行新的运算。粒计算思维是一种符合人脑思维模式的求解思路,能对人脑的思维模式进行模式化、自动化,在金融趋势预测、视频跟踪和图像超分辨率重建上的研究均验证了所提方法的正确性。