随着现代工业及科学技术的迅速发展，故障诊断已经越来越受到重视。作为一个强大的数据分析工具，粗糙集理论能有效地分析和处理具有不精确、不一致、不完整等特性的各种不完备信息。由于它不需要任何先验知识，仅从实际数据中得出系统内在的规律，因此在复杂系统和非线性数学模型系统的故障诊断中具有诱人的应用前景，成为当前故障诊断的一个研究热点。本文利用粗糙集理论在处理不完备信息方面的独特性能，对其在故障诊断中的应用进行了探索性研究。本文重点研究了以下几个方面的内容：　　 1.连续属性的离散化方法。在实际应用中，相当多的数据是连续的，而粗糙集只能处理离散数据，因此首先必须对连续数据进行离散化。本文首先简单介绍了现有的几种离散化方法及其优缺点，然后针对单纯利用自组织映射神经网络进行连续属性离散化的缺陷，提出了一种基于自组织映射(SOM)神经网络与粗糙集理论相结合的连续属性离散化方法，实例证明该方法简单实用。　　 2.属性约简算法。现实中的数据存在很多冗余，特别是存在大量数据时冗余更加严重，不仅浪费存放空间而且扰乱推出正确的规则。属性约简是粗糙集理论研究的核心问题之一。本文首先介绍了现有的一些属性约简算法，重点研究了基于区分矩阵的属性约简算法，并对其作出了改进，提出了基于区分矩阵的快速属性约简算法，有效地缩短了原约简算法所需的属性约简的时间。　　 3.优化故障诊断网络的构造。优化故障诊断网络以条件属性C的所有决策属性D简化集为初始节点，建立层状节点网络模型。对于网络的各节点，提出大于可信度阈值μ0的规则，建立故障诊断规则集，每个节点对应两个规则集：规则集1和规则集2。优化故障诊断网络主要解决了两个方面的问题：一是如何针对完备的或者不完备的待诊故障信息，给出尽可能正确的诊断结果。二是如何在大量的诊断规则中，尽快地找到与故障信息匹配的诊断规则。　　 4.粗糙集与神经网络集成的故障诊断方法。粗糙集和人工神经网络在故障诊断方面都有着广泛的应用，二者在知识处理上有一定的互补性，因此将粗糙集与神经网络相结合，形成复合故障诊断系统。首先采用基于自组织映射(SOM)神经网络与粗糙集相结合的连续属性离散化方法对连续属性进行离散，然后利用基于区分矩阵的快速属性约简算法对决策表进行约简，减少了神经网络的输入维数，从而简化了神经网络的结构，并结合实例，验证了该方法的有效性。