该学位论文首先详细介绍了粗集和模糊集的相关基本理论,也剖析了它们之间的区别与联系,特别的讨论了模糊粗集和粗模糊集.在论文的后续章节中,作者着眼于将模糊集和粗集与其他的软计算方法和不确定性数学处理问题相结合起来研究,得到了很多可喜的应用.在不确定性推理领域研究方面,由于Rough逻辑和证据理论推理方面无需先验信息,所以更是突显其优势,因此该学位论文第二章主要讨论了Rough逻辑演绎系统及其不确定推理方法.在证据理论方面,该学位论文在第三章中提出了证据理论的Rough解释和模糊证据理论的新解释,这大大提高了证据推理的准确性,并通过将粗集和证据理论结合起来,在决策系统的不确定性预测中得到了成功应用.在该学位论文的第四章,作者通过在模糊数据库中引入SQL数据库查询语言,得到了一个模糊关联规则的高效挖掘算法;并且在广义粗近似空间中,通过与格论知识的结合,我们重新构建广义概念格,从而快速高效的发现采掘其中蕴涵的有用规则,为人们决策提供帮助.特别地,作者还将模糊集和粗集与神经网络成功结合起来,构建了一种粗-模糊神经网络,从而得到了一个模式识别的决策控制应用.而该学位论文在第五章,又特别地将模糊概念引入到离散动力系统中,主要研究了一类L-模糊动力系统中的模糊状态通过一个模糊关系传递映射作用后的最终收敛性,同时也讨论了Rough动力系统熵的问题.在该学位论文的最后,作者通过在经典的分形理论中引入粒度计算(模糊集概念),进而讨论了模糊集与分维的关系,构建了时间序列的模糊分形模型;并且还研究了一类模糊混沌在模糊仿真上的一些应用.