粗糙集理论(Roughset)是一门能分析和处理“三不”(不精确、不一致、不完整)信息的数据分析与推理的新工具.粗糙集理论在很多领域得以成功应用.覆盖粗糙集模型是经典粗糙集的一类常见的推广模型,它在知识发现等领域有很大的应用前景；粒计算理论是用来处理不一致,不可靠知识的工具,但它们在解决实际问题的时候都有局限性.因此本文以粗糙集为基础,从论域和粒计算两个角度出发,构建了两个论域上的几种覆盖粗糙集模型.具体工作如下：首先,在两个论域上的覆盖粗糙集模型的基础之上,通过引入误差参数β,定义了两个论域上的覆盖错误分类率,提出了两个论域上的变精度覆盖粗糙集模型,讨论了它的相关性质和定理,用实例证明了该模型能使近似空间的边界域缩小,近似结果更精确；然后,基于医疗实际中的需要,将多粒度粗糙集与两个论域上的覆盖粗糙集相结合,提出了两类两个论域上的多粒度覆盖粗糙集模型,并分别讨论了两模型的有关性质和定理,同时用医疗实例说明了该模型的实用性；最后,在多粒度覆盖粗糙集的上、下近似中,采用错误分类方法,提出了两个论域上的变精度乐观和悲观两类多粒度覆盖粗糙集模型,并与两个论域上的多粒度覆盖粗糙集进行了比较分析,体现了它的优越性,推广了前人的工作.