随着信息技术的飞速发展，各行各业均积累了大量数据，因而如何处理不确定型信息，成为了热门的话题。粗糙集理论作为一种处理不精确、不一致、不完整信息的数学理论，不但在学术界得到越来越多的关注，也在产业界得到了普遍应用。多属性决策是资源管理、绩效评估、信息安全等众多领域广泛面对的问题，如何构建具备科学性和可操作性的决策方法一直是学术和应用领域的热点研究内容。　　针对模糊粗糙性度量：在分析现行模糊粗糙性度量的特征及不足的基础上，提出了隶属效用函数的概念，建立了基于隶属效应的模糊粗糙性度量方法（简记为FRM-BME），进而，给出了几种反映FRM-BME取值规律的充分必要条件。最后，作为FRM-BME的一种应用，提出了基于FRM-BME的属性约简方法，并结合具体案例，进一步分析了FRM-BME的特征和有效性。理论分析和实验结果表明，FRM-BME不仅具有良好的结构特征和可解释性，而且可以简捷地将模糊性处理意识融入到粗糙性的度量体系中。　　针对属性重要性度量：以数据系统为基础、以隐藏在数据系统中的知识为载体、以集合间的包含程度为依据，提出了一种基于知识可靠性的数据删除方法，讨论了知识因子在子数据系统中的变化规律，建立了基于数据效用的属性重要性度量（简记为DE-AIM）；进而，通过理论证明和实例计算讨论了DE-AIM的取值规律和结构特征；最后，结合具体案例和几种常用的UCI数据集，进一步分析了DE-AIM的特征以及其他属性重要性度量的异同。理论分析和实例计算表明，DE-AIM具有良好的可解释性和结构特征，可以通过参数的变化来体现不同的决策意识，在资源管理、人工智能、复杂系统优化、专家系统等诸多领域具有广泛的应用前景。