灾害性天气的预报和警示在人们的生产、生活中具有举足轻重的地位。天气的历史数据和预报员的经验往往对气象预测的结果起着重要作用,通常预报员可以根据当前的天气情况和历史上相似的天气进行比较,从而对当前的天气进行预测。因此如何建立一个包含预报员经验总结、历史天气范例分析、历史天气档案等各种信息的综合天气范例库,并在此基础上对综合天气范例库的简化、相似检索等方面进行研究,具有重要的理论意义和工程实用价值。　　 本文将模糊粗糙集理论应用于范例推理(CBR,Case Based Reasoning)系统中,对范例检索过程中的属性约简算法、权重分配算法、以及相似检索算法都做了详细的分析与深入探讨,在此基础上,设计并实现了一个基于模糊粗糙集的气象预测CBR系统。　　 本文的主要工作如下:　　 1.介绍范例推理和模糊粗糙集的相关理论知识,并对其中的核心技术进行详细的分析和比较。　　 2.深入探讨属性约简和权重分配算法,并对传统的属性约简算法的不足:如适用范围较小,约简后仍存在冗余等问题进行深入的研究,给出一种基于模糊粗糙集的属性约简和权重分配算法。该算法以模糊相似关系代替经典粗糙集中的等价关系,在模糊环境下重新定义了属性重要度的概念,扩大了算法的适用范围,并且将权重确定问题转化为模糊粗糙集理论中属性重要性的评价问题,在一定程度上克服了传统权重确定主观性太大的不足,实验结果表明,该方法是有效的。　　 3.范例检索与匹配是实现范例推理的关键,本文利用最近相邻算法和相似度量理论,结合基于模糊粗糙集属性约简和权重分配算法,提出一种基于相似度量理论的最近相邻检索算法,通过计算新旧范例间的相似度并将其与相似阈值进行比较,最后得到相似范例集。　　 4.在上述研究成果基础上,设计并实现一个基于模糊粗糙集的气象预测CBR系统,更好地帮助气象预报员做出快速、正确的决策(诊断)。