粒计算是问题求解中遇到有关信息粒的理论、方法、技术和工具的总称,也是当前人工智能领域的前沿热点之一。粗糙集理论从众多粒计算研究方法中脱颖而出,传统的粗糙集方法主要用于从对象具有唯一属性值的决策系统中提取规则。在现实的数据集中,对象在同一属性下通常会采取多个尺度进行度量,于是,如何根据数据集中对象的属性特征来选择最优尺度是一项亟待解决的问题。另一方面,人们对系统中数据进行知识获取,有时考虑全部数据,有时则关注于特定对象的知识表示,而系统的最优尺度未必是对象的最优尺度,所以不仅需要寻找全局最优尺度,也需要寻找局部最优尺度,分别做出适合系统和对象的决策。本文面向多尺度决策系统中的知识挖掘和知识表示问题,以信息熵和证据理论为切入点来研究多尺度决策系统中全局和局部的最优尺度选择问题,主要从以下三部分展开:首先,本文以信息熵为出发点,讨论多尺度决策系统中的最优尺度选择问题。给出多尺度信息/决策系统中经典最优尺度与熵最优尺度的定义,并分别阐述它们之间联系。利用信息熵对协调/不协调多尺度决策系统中每个对象在保持条件熵不变的情况下进行局部属性约简。其次,研究多尺度序决策系统基于证据理论的全局最优尺度选择问题。分别给出多尺度序信息/决策系统中五种序关系下全局最优尺度的概念,并讨论各种最优尺度之间的关系。最后,探究多尺度序决策系统基于证据理论的局部最优尺度选择问题。分别给出多尺度序信息/决策系统中五种序关系下局部最优尺度的概念,并讨论它们之间的关系。