粗糙集理论是20世纪80年代初由波兰数学家PaWlak Z．首先提出的一种新型的处理模糊和不确定知识的数学工具，其基本思想是在保持分类能力不变的前提下，通过知识约简，导出概念的分类规则。目前，已在数据挖掘、机器学习、模式识别、决策分析、人工智能、故障检测等方面得到了广泛的应用。 本文主要对基于粗糙集产生多知识库方法以及其决策的融合问题进行了研究。用粗糙集理论的方法根据一个数据库建立单个知识库，往往很难保证其完备性。这样的知识库在分类新对象时有可能出错。论文通过研究粗糙集产生多知识库的基本原理，给出了多知识库的形式化定义，完善了符号体系。并在此基础上给出了一种基于粗糙集产生多知识库的新算法，并与其它算法相比较，说明该算法的结果具有更好的完备性。 在用多知识库来对新对象进行分类识别的过程中，很关键的问题是如何对多个决策结果进行融合得到最终的决策。目前，对于多个决策结果仅仅是通过简单的组合，造成分类识别的准确性和可信度较低。论文根据多源信息融合原理，对多个决策结果进行融合，研究了一种基于证据理论的融合算法，该算法可以提高整个分类识别的准确性和可信度。 属性值的约简是粗糙集理论的核心内容之一。它的目的就是在保持规则集的分类能力的条件下，删除多余属性值，进一步简化规则集。从而，得到最小的知识库。本文针对粗糙集理论中值约简这个重要问题进行了研究，给出了一种利用决策规则质量的属性值约简算法。该算法比现有的值约简算法更简化，并用实例说明了其有效性。 最后，对全文进行了总结，并指出有待进一步研究和完善的问题。