现阶段,由于数据来源、数据信息结构以及数据统计方式的不同,数据特征之间存在巨大的差异。传统的模糊粗糙集通常使用单一的模糊相似度量方法计算全部属性的模糊相似关系。这种模糊相似关系的度量方法忽略了数据特征的差异信息,其结果将直接影响与模糊粗糙集相关的特征选择方法以及分类算法的性能。为解决上述问题,本文将多核学习方法引入模糊粗糙集,提出了多核模糊粗糙集。该方法在基于核的模糊粗糙集的基础上选择不同的核函数计算单个特征下的模糊相似关系,然后利用T-norm算子进行融合,最后使用融合核代替原有的单一度量方法计算模糊上近似、模糊下近似和属性依赖度。该方法在模糊相似关系的计算中考虑数据特征的差异信息,使模糊相似关系的计算方法更准确。对于特征选择任务,本文在原有的基于粒子群特征选择方法基础上,结合多核模糊粗糙集,提出基于多核模糊粗糙集的粒子群特征选择算法。该算法利用与多核模糊依赖度相关的适用度函数对核函数和特征同时进行选择。实验结果验证了多核模糊粗糙集在特征选择领域的有效性。同时,实验结果也证明了基于多核模糊粗糙集的粒子群特征选择算法的特征约简能力更强,特征约简质量更好。对于分类任务,本文沿用了原有的多功能近邻分类算法的框架,在多核模糊粗糙集的基础上,提出了基于多核模糊粗糙集的多功能近邻分类算法。该算法通过多核模糊粗糙集计算模糊相似关系,根据模糊相似关系选择与测试样本相关的近邻样本,进而根据近邻样本模糊相似关系与类隶属度的聚合值进行样本类别判断。最后,通过数值实验验证了多核模糊粗糙集在分类领域的有效性。同时,实验结果表明基于多核模糊粗糙集的多功能近邻分类算法比传统分类算法的分类结果的准确性更优,分类表现更稳定。