风险评估过程中存在着各种不确定性因素,经常会导致得到不可靠的评估结果。本文通过尝试探索分类数据中所包含的不确定性信息,将基于模糊粗糙集的特征重要性衡量标准引入到极限学习机算法(ELM)中,设计了一种模糊粗糙加权极限学习机算法(FRW-ELM)。并且根据这一算法,进一步提出一种模糊粗糙多层风险评估方法。这一风险评估方法整合了模糊粗糙加权极限学习机算法和用于处理复杂数据降维的基于模糊边界区域的模糊粗糙特征选择算法(B-FRFS)。与常见的降维分类的多层分类方法不同,本文提出的风险评估方法的降维和分类步骤之间有着更加有机的联系。这个风险评估系统中,模糊粗糙加权极限学习机中的每个输入节点的重要性是由其对应的特征在模糊粗糙集的边界区域中包含的不确定性度诱导出的。重要的是,这些必须的所有特征的不确定性度量在本风险评估方法中是可以作为基于模糊边界区域的模糊粗糙特征选择算法的运行过程的副产品而得到的。这样一来,在这个模糊粗糙多层风险评估方法中,就不需要额外的步骤来计算由特征选取算法选出的特征所包含的不确定性信息,从而保证了评估过程的效率。此外,本文除了采用基准数据集对算法进行评估以外,还采用乳腺癌风险数据来对该分类算法进行实验评估。实验结果说明了这个风险评估方法的性能总体上要优于对比实验中采用的很多常用的风险评估方案。