自1981年Howard与Matheson提出影响图这一图形决策技术以来,许多复杂知识处理系统都建立在贝叶斯网络和影响图之上,这样的表示方法已经成为解决现实决策问题的有效框架.但是,获取定量的联合概率分布却成为了这种框架解决现实决策问题的主要障碍.当依赖关系或者相关参数值无法精确描述时,如何利用非精确的信息进行推理已成为提高影响图决策效率的关键问题. Rough集是由Pawlak于1982年提出来的,研究不完整数据、不确定知识的表达、学习及归纳的理论方法.Rough集的提出为研究不精确数据的分析、推理,挖掘数据间的关系、发现潜在的知识提供了有效的工具.Pawlak和Yao等学者在后续工作中又进一步研究了基于概率的Rough集模型. 本文所探讨的基于Rough集的影响图,是将影响图中节点间的依赖关系用基于概率的Rough集来描述和表达;同时,将基于概率的Rough集的决策规则融合于影响图的图形结构之中。