经典粗糙集理论是波兰科学家Pawlak于1982年所提出的一种处理不确定性的数学工具,因其自身具有无需提供数据集合之外任何先验信息的特性,至今已在各方面得到了广泛的应用。然而,经典粗糙集将信息系统中的数据视为没有任何语义的符号,而且基于等价关系的上下近似要求也过于严格。为了克服这些不足,学者们讨论建立了众多粗糙集拓展模型。考虑到信息系统中的属性可能具有不同层次,研究人员提出了多尺度的概念,构建了多尺度决策系统,讨论了多尺度决策系统的转换和粗糙近似问题。自此,多尺度决策系统的最优尺度选择问题成为了一个新的学术热点。然而,现有关于多尺度决策系统的研究大多集中在最优尺度选择,而很少考虑属性约简。因此,本文旨在针对优势模糊目标粗糙集模型、优势模糊粗糙集模型和基于模糊相似关系的决策粗糙集模型这3种粗糙集拓展模型,讨论其在多尺度决策系统中的最优尺度选择、属性约简及规则获取问题。具体工作如下:1.利用Wu所提出的多尺度决策表在不同尺度上的转换模型将优势模糊目标粗糙集转换为多尺度优势模糊目标粗糙集,考察多尺度优势模糊目标粗糙集的知识获取效率。建立多尺度优势模糊目标决策系统的粗糙集模型,给出多尺度优势模糊目标粗糙集的最优尺度选择方法,提出获取给定最优尺度所有约简的可辨识矩阵法和获取一个最优尺度约简的简便算法。最后,引入计算机审计风险评估案例验证所提出方法的有效性和实用性。2.针对多尺度决策系统中模糊条件属性取值存在优劣之分且决策属性取值模糊的情况,建立多尺度优势模糊决策系统的粗糙集模型,考察多尺度优势模糊粗糙集的知识获取效率,给出多尺度优势模糊粗糙集的最优尺度选择及约简方法,提出一种较为简便的获取一个最优尺度约简的算法。最后,通过信息系统安全审计风险判断算例和对比实验验证所提出方法的有效性和实用性。3.在多尺度决策系统中引入基于贝叶斯模型决策风险的决策粗糙集,并以模糊相似关系替代等价关系,建立基于模糊相似关系的多尺度决策粗糙集模型,考察基于模糊相似关系的多尺度决策粗糙集的知识获取效率,给出基于模糊相似关系的多尺度决策粗糙集最优尺度选择及约简方法,提供获取一个最优尺度约简的简便算法。最后,采用1则算例及5组UCI数据集进行对比实验,验证所提出方法有效。