粗糙集理论是由波兰科学家Pawlak提出的一种处理不确定知识的数学模型，该工具能够很好地对符号数据进行如属性约简、规则提取等分析，并已经在人工智能、机器学习与数据挖掘领域取得了成功的应用。经典的粗糙集模型基于严格的等价关系，为了描述和处理更复杂的情况，人们提出了许多扩展的粗糙集模型。　　模糊粗糙集模型是最为常用的泛化模型之一，相比于传统的粗糙集模型，它将模糊粗糙集与模糊集进行了结合，发扬了各自在表达不确定性上的优势，因此能够更好地描述不确定知识。然而模糊粗糙集中的隶属度难以精确确定，学者们提出了一些更泛化的模型，如二型模糊粗糙集模型。二型模糊粗糙集相比于模糊粗糙集，增加了二型隶属度用以描述原有隶属度的不确定性，因此拥有更高的模糊性。二型模糊粗糙集的研究还处于起步阶段，仍有一些问题亟待解决。本文从多论域和覆盖的角度，对区间二型模糊粗糙集的扩展模型展开深入研究，给出了双论域模糊粗糙集模型、双论域区间二型模糊粗糙集模型、基于模糊覆盖的模糊粗糙集模型以及基于区间二型模糊覆盖的区间二型模糊粗糙集模型，对其中的理论性质以及不确定度量问题进行了较深入研究。　　本文的工作主要包括理论和应用展示两个方面:　　首先从多论域和覆盖的角度角度研究了四种泛化粗糙集模型，包括双论域模糊粗糙集模型，双论域区间二型模糊粗糙集模型，基于模糊覆盖的模糊粗糙集模型，基于区间二型模糊覆盖的区间二型模糊粗糙集模型。首先，本文从上下近似出发，对四种扩展模型的性质进行研究，证明了我们提出的泛化模型和传统粗糙集模型一样拥有一些有趣的数学性质。然后，我们从精度和粗糙度角度以及熵和粒结构的角度研究了四种泛化模型的不确定性度量，并证明了这些推广的度量具备单调性。　　除了理论研究外，本文的最后还包括了一些模型应用展示，针对双论域粗糙集模型的泛化模型，我们在双论域关系下提出了一种决策方法，并将该方法用于医疗诊断。根据粗糙集的正域、边界域和负域的特点，我们结合双论域的泛化模型，提出了一种推荐系统的推荐策略。最后，针对覆盖粗糙集的泛化模型，我们提出了一种属性约简算法，并通过实验验证了算法的有效性。