粗糙集理论作为一种处理不精确、不确定与不完全数据的新的数学理论，最初是由波兰数学家Pawlak[1]于1982年提出的。目前，对粗糙集理论的研究主要集中在：粗糙集的模型的推广，问题的不确定性的研究，与其他处理不确定性，模糊性问题的数学理论的关系与互补，纯粹的数学理论方面的研究，粗糙集的算法研究和人工智能其他方向关系的研究等，这些研究有的是受应用的推动而产生的，有的是纯理论的。 粗糙集理论的中心问题是分类分析，Pawlak[1]粗糙集模型的一个局限性是它所处理的分类必须是完全正确的或肯定的，因为它是严格按照等价类来分类的，因而它的分类是精确的，亦即“包含”或“不包含”，而没有某种程度上的“包含”或“属于”。基于此1993年Ziarko提出了变精度粗糙集模型弥补了这种局限。然而，在人们的实际生活中，涉及更多的是模糊概念和模糊知识。反映在粗糙集模型中主要有两类，一类是知识库的知识是清晰的而被近似的概念是模糊的，另一类是知识库的知识和被近似的概念都是模糊的。本文就知识库的知识是清晰的而被近似的概念是模糊的情形进行了研究，得出变精度模糊粗糙集模型。为了便于直观的理解及模型的推广，用错误分类率来表示Ziarko变精度粗糙集模型有它的不便之处，于是本文提出了多数包含度的定义。然后，将变精度粗糙集模型用多数包含度来表示，并且研究了它的约简与核。接下来，运用模糊集合的表现定理将被近似的集合由经典的情形推广到了模糊的情形，得出变精度模糊粗糙集模型，且研究了它的性质、近似相等及模糊相似信息下约简的计算。