大数据的典型特性是非结构化或半结构化数据占主体地位,多种不同模态的信息混合在一起,具有属性类型多样、信息结构复杂、数据大量冗余等特点。多模态数据含有丰富的语义信息,一个样本可能包含了多个语义标签。挖掘多模态数据中的有价值信息并构建分类模型对传统的建模方法带来了挑战。多模态学习方法往往忽略数据的不确定性问题,而模糊粗糙集理论是处理数据不确定性的有效工具。因此,本文重点研究多模态数据分类的模糊粗糙方法,主要内容包括以下三个方面:1)多模态属性约简的多核模糊粗粗糙方法针对多模态数据含有大量冗余属性问题,提出多模态属性约简的多核模糊粗糙方法。结合多核学习处理多模态数据的优势,提出基于模糊算子的属性融合方法,构建多核模糊粗糙集模型。基于所提模型构造并行的属性依赖度计算方法,实现大规模数据模糊分类中的多模态属性约简。2)多标记属性约简的模糊糊粗糙方法针对多标记分类中属性的评价和选择问题,研究多标记分类属性约简的模糊粗糙方法。结合多标记学习的两种策略,提出两种扩展模糊粗糙集模型,并构造相应的多标记属性约简算法。3)多模态属性模糊多标记分类方法针对多模态属性模糊多标记分类问题,构建模糊多标记学习框架。分析模糊多标记学习的特点,提出模糊多标记学习的模糊粗糙集模型,利用模糊上、下近似计算样本的标记,进而构造多模态属性模糊多标记分类方法,并定义模糊多标记学习特有的评价标准。本文提出的模型和方法不仅扩展了经典模糊粗糙理论的应用范围,也为大数据环境下的多模态数据分类提出了新的解决思路。