多属性决策问题一直是人们所关注的论题，人们已提出了很多解决方法，这些方法已经成功应用于工程、经济、市场分析、管理等许多实际问题中。但在信息爆炸的今天，决策者面临的是大量的、动态的、不确定的、模糊的甚至是有噪声的信息。为此，基于知识的智能决策分析便应运而生，它不需要定量的数学模型，而是基于知识进行决策。20世纪80年代，波兰教授Pawlak引入粗糙集的概念之后，为处理不精确、不确定与不完全数据并从数据中挖掘出需要的知识，提供了一种有效的途径。近年来，涌现了很多的粗糙集模型来解决多属性决策问题，最后得到决策者非常满意的决策规则，并用于生活实践之中。 本文在粗糙集的基础上，研究了多属性决策的粗糙模型。针对属性值是区间数的情形，提出了变精度的区间数排序的粗糙集方法；针对含有偏好信息下的不完全决策系统，对不完全信息系统中的粗粗集进行了改进，提出了含偏好信息下的变精度扩展优势关系。全文的结论如下： (1)研究了粗糙集中数据的处理问题，针对粗糙集中属性值是区间数的情形，运用变精度的思想，结合粗糙集的上下近似的概念，得出了变精度粗糙集的区间数排序方法。通过实例表明该方法的有效性。 (2)研究了含有偏好信息的不完全决策系统中发现决策规则的粗糙集方法，针对现有的扩展优势关系的局限，提出了变精度扩展优势关系的概念，用变精度扩展优势关系代替优势关系，得到知识的粗糙近似，给出了分类决策规则，证明了扩展优势关系是变精度扩展优势关系的特例。该方法引入了阈值，具有更好的灵活性。通过实例说明了后种方法的可行性和有效性。