随着互联网、现代传感器等新兴技术的快速发展,数据类型的多样化成为了数据驱动的智能决策中数据的主要形态。多属性决策作为决策科学的一个重要研究内容,广泛存在于社会生活的各个领域。在多属性决策问题中由于决策对象本身具有一定的模糊性和不确定性,决策粗糙集理论作为一种新的处理不确定性决策问题的方法,其具有的噪声容忍和风险代价敏感特性为解决多属性决策问题提供了一种新的思路。然而在真实的复杂决策问题中,决策数据往往包含着多视角、多层次/多尺度、高维等信息,同时决策任务也通常呈现出多层次、多粒度等复杂特性,经典决策粗糙集理论作为单一结构化的决策方法对于这类复杂的决策问题已经不能进行满意求解。粒计算是专门研究多层次粒结构的思维方式及问题求解方法的学科,对各类实际问题进行多粒度、多视角与多层次的描述、推理与求解是粒计算的主要研究内容。本文将人类在复杂问题求解中多粒度认知机理引入到决策粗糙集的数据分析中,从新的视角发展决策粗糙集模型与方法,主要取得了以下的研究成果。(1)借鉴动态粒度认知能力,构建了一个新的概率粗糙集框架,称为动态粒度决策粗糙集;展开了动态多粒度视角下的粗糙决策方法研究,为相关决策问题的高效求解提供了新的思路和方法。为了解决决策粗糙集模型中概率正域的非单调性引起相关属性约简和规则获取算法存在计算效率降低的问题,结合局部粗糙集和动态粒度原理构建了一种新的概率粗糙近似方法,解决了决策正域的非单调性问题;发展了一种高效的粗糙特征选择方法,借助于动态粒度下决策正域的单调变化实现了高效的特征选择过程。理论分析与实验结果均表明算法的计算效率得到了一定提升,并且有效地缓解了属性约简结果的过拟合现象;结合三支决策思想构建了动态粒度下的三支决策模型,设计了一种两阶段的动态三支决策规则获取算法,实验表明了算法的有效性与高效性。(2)发展了基于概率融合的多粒度决策粗糙集模型和方法,为具有风险代价的一类多源数据分析问题提供了切实可行的研究方法。多源数据中信息融合问题是数据分析领域中常面临的问题,本章围绕该问题,依据多个粒空间中的Bayes决策过程,从概率论的角度给出了一个具体的多粒度信息融合方法。将多个粒空间中的信息融合转换为一种更容易理解和表示的概率融合,依据不同的融合策略发展了乐观/悲观多粒度决策粗糙集模型;在该模型中引入近似分布约简的概念,分析了多个粒空间中的粒度选择问题。针对多粒度概率粗糙近似可能产生的决策不一致,定义了新的近似分布质量更准确的刻画目标决策的下近似分布,基于此提出了保持多粒度空间α-下近似分布不变的粒度约简算法。(3)将多层次求解的粒计算方法引入决策粗糙集模型,发展了适合多尺度数据分析的决策粗糙集模型和方法,为人们从多尺度数据中发现代价敏感特性的决策知识提供了可以借鉴的方法。传统的多尺度分解造成了决策数据过粗或过细的问题,本章建立了泛化尺度的概念,在泛化意义下使得多尺度数据的分解更为灵活。在新定义的泛化多尺度决策表中依据Bayes决策理论构建了多尺度决策粗糙集模型,模型考虑了实际多尺度数据分析中的风险代价敏感性和容错性,更加适用于真实的多尺度数据决策问题求解;针对概率意义下多尺度粒层决策区域变化的非单调性问题,通常的保持决策不变的最优尺度选择方法在理论上和语义解释上都存在一定困难。引入代价敏感学习,将最优尺度选择问题转化为代价优化问题,设计了一种新的最优尺度选择算法。实验结果表明了算法的有效性和可解释性。论文从多角度、多层次以及动态粒度的研究视角,将多粒度求解的粒计算方法引入决策粗糙集模型中,建立了基于信息粒度的粗糙决策分析模型和方法体系,探索了粒计算视角下粗糙决策问题的求解新途径,对于真实的复杂决策问题求解有一定的理论意义和应用前景。