随着信息时代的到来,科学技术的进步,日常生活和工业环境所产生的数据持续增长,如网络监控、车载服务系统等。如何分析和利用这些数据,挖掘其内部含义,使其更好的为人类服务,成为具有挑战的难题。面对这些挑战,人们开发设计适用于不同领域智能系统,并取得相应的成功。本文旨在通过对信息粒构建方法的研究,建立一种通用的粒模型/语言模型。本文将粒计算的概念和思想,应用于时间序列分类和强化学习控制等领域,拓展了粒计算的应用范围和值得探究的新方向。基于现有的合理粒度准则,本文提出一种全新的增益合理粒度准则。在使用合理粒度准则构建输入空间信息粒时,所获得的信息粒由输入空间的分布直接决定。如何充分利用输出空间所含信息,构建输入空间最优信息粒是一个值得深入探究的问题。本文提出的增益合理粒度准则,通过利用隐含在输出空间的信息,在量化信息粒的性能时,采用包含性、特征性和输出空间分布性三个标准表示其最优性。该方法的灵活性源于其引进了一种输出空间信息自适应加权方案,通过加权因子的选择权重,构建最优信息粒。在设计该粒度模型隐含层时,基于输入输出空间的信息粒之间的联系,构建高效推理模式,用以输入和输出信息粒之间的计算。通过本文的方法构建的信息粒可以直接用以空间分布数据的预测模型,同时使用信息粒的形式表示模型输出结果,该输出信息粒的位置和大小用以预测结果和反应预测结果的精度。针对传统语言模型中可解释性较差以及输出结果误差较大等问题,本文提出一种基于条件模糊聚类优化的语言模型。首先,通过使用语义对输出空间进行划分,该输出空间的划分,充分结合输入空间数据分布特征,使得该输出空间的划分具有可解释性的特点。其次,根据输出空间划分的信息,对输入空间进行分割,在分割后的输入子空间使用条件模糊聚类的方法,生成信息粒。这一分割过程充分利用输入输出空间实验数据,并通过相应的语义,实现对输出输入空间分割。当新数据进入该语言模型进行推理时,在相应的输入子空间中,计算该新数据和子空间信息粒的关系和活跃度,聚合并输出其近似输出粒度。本文提出的方法,通过使用语义,结合输入空间数据分布特征,对输出和输入空间进行分割,在输入子空间进行条件聚类,有效的提高了语言模型的可解释性和准确性。在面对时间序列分类的问题上,如何更好的挖掘、呈现时间序列的特征并用来提高分类效率,是一个关键问题。本文提出一种基于粒计算的卷积神经网络分类方法。首先,通过使用模糊均值的方法,形成概念中心集合,通过待分类序列和概念中心的隶属度矩阵,构建成二维灰度图像,并作为卷积神经网络分类器的输入。其次,优化卷积神经网络分类器,针对本文转换形成的灰度图像输入,将传统的卷积核替换为小波核函数,以提高分类效率。本文结合粒计算的思想,提出的时间序列的图像变换分类方法,将一维时间序列转换为二维灰度图像,重新设计卷积神经网络的核函数,有效的提高了分类效率。在传统的机器学习及工业控制领域,状态空间的划分和状态估计等一直是值得探究的问题。本文提出一种基于粒计算的强化学习在控制领域的应用方法,该方法使用合理粒度准则,对状态空间进行粒度划分,形成信息粒集合,同时设计一个合理推理系统,对该粒度集合进行迭代训练并测试。该方法,通过使用合理粒度准则,可以针对不同的被控系统或被控主体,进行灵活的状态空间分割,同时,设计针对该系统的合理推理系统,对其进行训练和最终的推理,有效提高了控制效率。本文基于粒计算,针对信息粒的构建方法及信息粒在系统建模中的应用,并且将合理粒度准则与时间分类、强化学习领域进行结合,为粒计算的研究提供了颇具价值的研究方向和应用领域。（1）提出增广合理粒度准则,该准则充分利用输出空间的信息,优化输入空间信息粒的位置和半径。（2）针对粒模型,提出合理的推理模式,该模式灵活计算新数据的粒度输出,并具有很好的准确性。（3）结合语义,对输出空间划分,根据条件模糊聚类,形成输入子空间信息粒,形成的信息粒具有更强的可解释性。（4）针对时间序列分类或强化学习等不同领域,灵活应用粒计算的思想,为数据特征探测、重构,状态空间划分、预估等提供一种新的研究思路。在后续的研究中,将针对不同类型的信息粒在系统建模中的应用进行详细讨论,同时优化粒计算在不同领域的应用效果。