粗糙集作为一种知识发现和数据分析的新方法,因其具有自动抽取控制规则,控制算法可以完全来自数据本身等优点,使它在基于规则的控制中具有很大的优势和发展潜力。本文主要围绕基于粗糙集理论提取控制规则并构建粗糙控制系统,来对粗糙集在控制上的应用进行了研究。由于粗糙集理论只能对离散化数据进行处理,因此针对连续属性离散化问题,本文提出基于二进制粒子群优化算法(Binary Particle Swarm Optimization, BPSO)的离散化法方法,在保证决策表分类能力不变的情况下,通过粒子间的相互作用寻求尽量少的断点集；并提出利用边缘断点(bound cuts)来减少候选断点的数目,降低了算法的时间和空间复杂度；最后利用UCI机器学习数据集对算法进行了测试,结果验证了此方法的有效性,且相比其他离散化方法,本文方法原理简单容易实现,展现了一定的优越性。为了说明利用粗糙集理论对输入输出数据进行提取规则的有效性,本文构建了模拟PID控制器的粗糙控制规则库,并设计了粗糙控制系统来加以仿真验证。此方法采用外部测试信号充分激励被控对象,从而生成可以充分反映操作工或者现有控制器的控制策略的数据,解决了历史操作数据信息不全的问题；并提出了基于连续属性全距离(Continuous Attribute Whole Distance, CAWD)的论域空间降维方法来精简数据集,简化后续工作量；仿真结果表明了粗糙控制器能取得令人满意的控制效果,从而表明了所提取的控制规则的有效性；最后通过对规则库的研究发现了基于PID控制规则的相似性规律,应用此规律使粗糙控制器可以适应相似的参考输入,提高了粗糙控制器的适应性。最后,将本文所设计的粗糙控制方法成功应用在了一级倒立摆线性系统模型中。