论文运用粗糙集理论与神经网络方法进行了模式识别和故障诊断方面的研究,对在噪声下和实数领域的粗糙集模型进行了扩展,研究了粗糙集与神经网络的多种集成应用方法,全文的主要内容如下:首先,论文针对经典粗糙集理论中的不可分辨关系对连续属性值中噪声数据缺乏容错性的情况,提出一种相近关系代替不可分辨关系,并用不同的δ值调节相近关系中可接受的相近程度,限制了可冗余的范围。另外定义了在相近关系下的粗糙集的一些基本概念,并提出了相应的知识属性约简的方法。本文在相近关系的基础上,提出了衡量粗糙隶属度的方法,研究了该函数的性质,利用隶属度函数作为粗糙因子设计了粗糙因子神经网络,可减小噪声污染的影响,并使网络的收敛速度得到提高。其次,针对神经网络故障模式识别中的一些问题做了如下的研究。根据支持向量机可以解决小样本学习问题的优势,再结合粗糙集理论对不确定性问题分析的特点,本文提出一种支持向量机的粗糙神经网络的构造方法。该方法引入多个类似于支持向量机的子神经网络,并将网络中的隐含层单元设计成由多组粗糙神经元构成的网络单元。这种新型神经网络具有结构确定,可解释性好,计算简单,收敛速度快等特点。本文改进了一种椭球单元神经网络,它与经典椭球网络的结构不同,而与RBF神经网络结构类似:它的隐层节点采用椭球单元函数,代替了RBF网络的高斯基函数,并且用粗糙K-均值方法求取椭球基函数的中心,给出了确定初始阈值的方法。这种改进方法可以使输入空间的划分是局部作用的,而且是封闭有界的。因此改进的网络具有较好的函数逼近能力和模式识别能力。本文提出采用菱形邻域代替一般的方形邻域,可以减少待修正权重的数目;并利用实数粗糙空间的下、上近似集的精确概念划分自组织映射的输出结果,使得改进后的映射结果中各类样本点之间有明显的间隔,易于进行分类识别。接着,论文针对经典粗糙集理论只能研究量化数据的局限性建立了实域粗糙集理论。在广义近邻关系下定义了实域粗糙集的基本概念,研究了相应的性质,并提出了一种基于Beam搜索的实域粗糙集的属性约简方法。另外,本文根据实域粗糙集理论划分空间得到的全部划分子集的下、上近似集合了确定两类聚类