粒计算是信息处理的一种新的概念和计算方法,覆盖了所有和粒度有关的理论、方法、技术和工具,现已成为人工智能领域中一个新的研究热点。粒计算在很大程度上模拟了人脑认识和解决问题的过程。其本质思想是通过选择合适的粒度,来实现寻找问题的一种较好的、近似的解决方案,从而降低问题求解的复杂度。近年来,粒计算理论发展迅速,现已被广泛地应用于机器学习、数据挖掘等领域。　　 人们希望能从不同领域的大量复杂信息中获得自己所需要的知识。信息系统是承载信息的有效数据组织形式,信息隐含于这种载体之中。由于现实数据的日趋复杂,导致信息系统也出现了许多新特点,如不完备、集值、动态等多种复杂形式。人们尝试着寻找各种新的方法来处理这些复杂信息。本文从粒计算的角度,主要对集值信息系统和动态信息系统进行了研究和探讨。　　 首先,分析研究集值信息系统中的相容关系和优势关系,并对这两种关系作了进一步扩展,提出了基于相容度的相容关系和基于包含度的优势关系。本文采用覆盖的粒化方法,在不同关系下构建了集值信息系统中的粒,得到了论域的不同覆盖,同时讨论了集值信息系统中不同层次的粒之间的关系。通过对相容度和包含度的调节,可以实现知识在不同粒度层次的转换,进一步丰富了粒计算的理论模型。　　 其次,本文研究了动态信息系统。目前,基于粒计算理论的知识获取方法在对静态数据的处理中取得了一系列的研究成果。但是,在实际应用领域中,数据大多是随时间动态变化的。对动态信息系统的处理,粒计算还缺乏有效的模型。为此,本文根据粒之间的关系,通过对原知识粒的匹配、粒子的动态学习和更新等方面的研究,提出了一种基于粒计算的增量式知识获取算法。仿真实验表明本文提出的算法对动态信息系统的处理是有效的。