随着人工智能技术的迅猛发展,现实生活中各个领域的决策活动日益增多,由于对偶犹豫模糊集能够为同时存在多个隶属度和多个非隶属度的数据环境建模,且能为决策者提供更充分和更灵活的决策信息,已成为模糊决策研究者的热点问题。粒计算是人们解决复杂问题的计算范式,其采用粒化策略把复杂问题进行抽象、划分及转化,从粒计算的视角来研究对偶犹豫模糊信息及其粒度,对于揭示其信息度量之间的关联关系及粒度结构的嵌套关系具有重要的意义。本文针对对偶犹豫模糊集的信息度量方法和粒度结构问题进行了深入研究,首先定义了粒度结构上的偏序关系,其次提出了不同的信息度量方法,最后利用对偶犹豫模糊集扩展距离和粒度结构之间的距离度量,分别提出了对偶犹豫模糊集的聚类算法和对偶犹豫模糊粒度结构的聚类算法。具体工作如下:（1）在对偶犹豫模糊环境下,首先将犹豫度这一重要隐式数据应用于对偶犹豫模糊集距离的计算,其次将此扩展距离作为聚类算法的重要依据,最后通过实例表明,基于犹豫度的扩展距离应用于对偶犹豫模糊集的聚类算法,在相同的信任度水平下,与其它距离相比该距离能够有效提高聚类精度。（2）结合对偶犹豫模糊集与粒计算理论,建立对偶犹豫模糊粒计算模型。首先定义了对偶犹豫模糊粒度结构以及基本运算,其次运用粒度结构中的元素、基数和序列提出了对偶犹豫模糊偏序关系,最后从数学角度研究这些偏序关系间的嵌套关系。（3）在对偶犹豫模糊粒计算模型中,首先定义了对偶犹豫模糊信息度量系统（包括信息熵、粗糙熵、信息粒度等）,其次讨论了这些信息度量的数学特性,最后得到了信息度量之间的转化规律。（4）基于对偶犹豫模糊粒度结构之间的运算,首先定义对偶犹豫模糊粒度结构距离度量,其次将此距离应用于聚类算法,通过实例表明,使用该距离进行聚类可以提高人类对于聚类结果的直观可信度。本文提出的对偶犹豫模糊粒计算模型为对偶犹豫模糊信息聚类计算及智能决策问题提供了理论支撑,对于进一步研究广义模糊集及其决策理论具有重要意义。