本文首先从粗糙集理论中隶属函数这一概念出发，从语义的角度讨论了粗糙集与模糊集理论的区别与联系。同时建立了普通粗糙集，粗模糊集和模糊粗集中隶属函数的统一描述。基于粗集理论与概率论的联系，讨论了粗集与信息熵的关系，并得出了一种基于熵的规则提取算法。进而，以粗集理论中知识类对于一给定概念的上、下逼近隶属度为理论基础，提出了规则提取算法LBR，在将该算法与美国Kansas大学提出的算法LEM1进行比较的结论之上，给出了将LEM1改进后算法LEM3，这实际上是一种变精度的LEM1。这种变精度性可建立在知识的依赖性度量之上，因此，本文进一步讨论了知识的依赖性度量，将已有的Pawlak依赖性度量推广，并分别从信息论，模糊集理论，粗集理论和经典集合论的角度给出了范例。在前面一系列讨论的基础上，本文建立了基于粗糙神经元的粗—模糊神经网络和基于规则提取的粗—模糊神经网络模型，通过仿真实验，取得了较好的预测和拟合效果。