强连通分量是有向图中的一种经典子图结构,涉及很多研究领域,包括程序安全、个性化推荐、传递闭包等。强连通分量挖掘问题的实质是将有向图分解为一组互不相交的极大强连通子图,其中每个子图中的任意两个顶点都可以通过一定的路径相互连通。已有许多挖掘强连通分量的串行算法和并行算法被提出,相比较而言,并行算法对硬件的需求较高,不易得到实现。因此,设计更高效率的串行强连通分量挖掘算法仍然具有现实意义。粒计算作为当前计算智能领域中模拟人类思维、解决复杂问题的有效方法,本质上是在粒化后的论域中选择合适的粒度层次,寻找一种近似的、较优的问题求解方案。在粒计算的理论模型中,粗糙集模型通过二元关系将论域划分为不同粒度的概念粒,不同粒度下的粒子用不同大小的子集来描述。本文采用粗糙集这一主流粒计算模型,利用上近似集和R相关集这两种粗糙集概念,对挖掘强连通分量的粒计算方法展开了研究和探讨,具体研究内容与创新成果包括:（1）讨论分析了基于IR关系的广义粗糙集模型下的两种强连通分量挖掘算法,即RSCC算法和GRSCC算法。RSCC算法利用k步上近似和k步R相关集这两个粗糙集算子所构成的SUB-RSCC函数,可实现简单有向图中的强连通分量挖掘,而SUB-RSCC函数的调用次数决定了挖掘效率。根据顶点x的上近似集（或R相关集）只包含一个顶点y时,x和y存在的四种有价值强连通分量相关性,GRSCC算法引入粒化策略与RSCC算法结合,成功减少了SUB-RSCC函数的调用次数,挖掘效率有所提高。（2）提出了一种基于顶点粒k步搜索和粗糙集的强连通分量挖掘算法,提高了挖掘效率。分析发现,若顶点x的上近似集（或R相关集）只包含一个顶点y,x和y存在两种无价值强连通分量相关性,结合GRSCC算法中的两种有价值强连通分量相关性,设计了一种新的顶点粒化策略,并定义了一种顶点粒k步搜索（KSVG）函数,很大程度地减少了SUB-RSCC函数的调用次数,进而提出了一种基于顶点粒k步搜索和粗糙集的强连通分量挖掘算法（KGRSCC）。实验结果说明,相比RSCC算法、GRSCC算法和Tarjan算法,KGRSCC算法具有更好的性能。（3）提出了一种基于顶点k步启发式搜索和粗糙集的强连通分量挖掘算法,进一步提高了挖掘效率。分析发现,若顶点x的上近似集（或R相关集）中包含y1,y2,…,yi,…,yn,其中1≤i≤n,x和yi存在另外两种无价值强连通分量相关性。根据这两种顶点间的相关性,设计了一种顶点启发策略,并定义了一种顶点k步启发式搜索（KHSV）函数,可更大程度地减少SUB-RSCC函数的调用次数,进而提出了一种基于顶点k步启发式搜索和粗糙集的强连通分量挖掘算法（KHRSCC）。实验结果说明,相比GRSCC算法、KGRSCC算法和Tarjan算法,KHRSCC算法具有更好的性能。