经典Pawlak粗糙集理论是处理模糊性及不确定性知识的数学工具,在众多领域受到广泛关注,但是其缺乏一定的容错性,而决策粗糙集模型和程度粗糙集模型作为经典Pawlak粗糙集模型的推广,在建立过程中很好的考虑到了量化信息,其中决策粗糙集模型考虑到了相对量化信息,程度粗糙集模型则考虑到了绝对量化信息,为了更好地考虑到被近似集合与等价类之间重叠程度的量化信息,提高粗糙集模型的容错能力,因此本文基于格值信息系统对决策粗糙集模型和程度粗糙集模型进行双量化,讨论格值信息系统下的双量化决策粗糙集理论。主要研究工作如下:首先,根据格值信息系统的优势关系建立了格值信息系统下的两类单量化粗糙集模型,即格值信息系统下的程度粗糙集模型和格值信息系统下的决策粗糙集模型。其次,建立了两类基于格值信息系统的双量化决策粗糙集模型,一类是基于“逻辑或”的双量化决策粗糙集模型,另一类是基于“逻辑与”的双量化决策粗糙集模型,在提出这两种概念后进一步研究了这两类模型的粗糙区域的构成,根据阈值和参数分三种情况分别对这两类模型的粗糙区域进行了详细的划分,得到相应的划分结果,并结合具体实例验证该划分是正确可操作的,为粗糙区域的求解提供了行之有效的方法。最后,讨论了几类模型之间的内在联系,并结合具体实例对比分析得到了几类模型粗糙区域之间的联系。