面对不确定、不完整和不一致的数据信息，粗糙集理论是一种很好的数学工具。经典粗糙集理论不适合有缺省数据的现象，即不适合不完备决策信息系统;在经典粗糙集理论中，分类分析必须完全正确或者可能正确，这样难以挖掘出隐藏在繁杂数据里的重要信息;单粒度粗糙集认为所有的粒空间之间可以进行交运算，这是一个不实际的假想。本文在多粒度框架下，试图建立起基于容差关系的变精度多粒度粗糙集的理论模型，这个新模型以不完备的决策信息系统为研究对象，以知识挖掘为主要目的，弥补了原有粗糙集模型不足。本文研究内容有基于容差关系的变精度乐观多粒度粗糙集模型和基于容差关系的变精度悲观多粒度粗糙集模型的上下近似表示、未知概念的不确定性度量、基于矩阵的粒度约简方法、基于容差关系的变精度多粒度决策规则获取和度量以及基于容差关系的变精度多粒度决策规则的优化，并取得了下面四个研究成果:　　(1)经典粗糙集模型建立在等价关系的基础上，适合处理完备决策信息系统，且必须在条件等价类完全包含在决策类中才能对等价类中的元素做出决策类对应的决策，具有很大的局限性;变精度粗糙集模型放宽了完全包含的严格性，只要条件等价类中绝大多数元素包含在某个决策类中就可以认为条件等价类中的元素都可以做出这种决策;基于容差关系的粗糙集模型认为缺省的属性值只是遗漏的，可以处理不完备决策信息系统;多粒度粗糙集模型把研究对象放在多个粒空间下来研究它们的决策问题。在分析大量的复杂数据的时候，仅仅使用单一的扩展粗糙集模型处理分类问题远远不合适，故将这三种扩展的粗糙集模型揉合在一起，综合使用它们的优点，提出了基于容差关系的变精度乐观多粒度粗糙集模型和基于容差关系的变精度悲观多粒度粗糙集模型，并给出了这两种形式的基于容差关系的变精度多粒度粗糙集上/下近似以及三种不确定性度量，同时讨论了这种多粒度粗糙集模型的性质。在不完备决策信息系统上，将基于容差关系的变精度乐观多粒度粗糙集和基于容差关系的乐观多粒度粗糙集在依赖度上进行比较，本文提出的新模型有更大的依赖度，能够包容更多的做出肯定决策的对象，减少做出模糊决策的对象，最后，从理论上和实验上都验证了本文提出的多粒度粗糙集模型更能合理地应对复杂问题。　　(2)将处理不一致决策信息系统的分布约简方法引入多粒度粗糙集模型中，给出了基于容差关系的乐观多粒度β下近似分布约简、基于容差关系的悲观多粒度β下近似分布约简、基于容差关系的乐观多粒度β上近似分布约简和基于容差关系的悲观多粒度β上近似分布约简这四种粒度约简的概念，分别对应给出了它们的判别定理、分布分辨矩阵和分辨函数。还用一个实例解释了基于分辨矩阵的粒度约简方法。最后，用UCI上的数据集将该粒度约简方法与启发式粒度约简方法进行比较，实验结果表明基于可辨识矩阵的粒度约简方法既提高了粒度约简的效率又能够获取更多且质量更高的粒度约简集。　　(3)由于基于容差关系的变精度多粒度粗糙集模型可以用多个独立的基于容差关系的变精度单粒度粗糙集模型组合而成，因此，基于容差关系的变精度多粒度决策规则亦可由多个基于容差关系的变精度单粒度决策规则共同组成。分别从多粒度的乐观策略和悲观策略出发，提出了乐观策略下的基于容差关系的变精度OR型多粒度决策规则和悲观策略下的基于容差关系的变精度AND型多粒度决策规则，同时，给出了单条基于容差关系的变精度多粒度决策规则的强度、置信度和覆盖度三种评价系数，也给出了基于容差关系的变精度多粒度决策规则集的三种评价系数，它们在某种程度上量化了决策信息系统的性能。此外，还从理论上证明了这三种评价系数与上下近似的关系。最后，通过一个具体的实例来说明基于容差关系的变精度多粒度粗糙集规则的获取以及相关评价系数的求取。　　(4)在多个粒空间下考虑一个特定的问题，当我们面临的描述这个问题的原始数据既有缺省数据又有噪声数据，这就需要基于容差关系的变精度多粒度决策规则指导这个特定问题的决策。一般都希望依据最优的多粒度决策规则来决定论域中对象的分类问题。为此，提出了基于容差关系变精度多粒度决策规则的长度和基于容差关系变精度多粒度决策规则的覆盖数两个概念，然后给出了构建不完备信息决策系统中变精度多粒度决策规则集的有向树的算法，还分别以多粒度决策规则长度最小化和覆盖数最大化为目标给出了基于容差关系变精度多粒度决策规则的优化算法，迸一步提出了最优的基于容差关系的变精度多粒度决策规则的获取算法，最后选取一些UCI上的数据集，通过实验验证了该优化算法是有效的和实用的。