智能信息处理是当前信息科学理论与应用研究的一个热点.随着人类的参与使数据与信息系统中的不确定性更加显著.如何从大量的、杂乱无章的、强干扰的数据中挖掘潜在的、有利用价值的信息,这给人类的智能信息处理能力提出了前所未有的挑战.由此产生了人工智能研究的一个崭新的领域——数据挖掘.虽然已经有很多对数据进行分析的简单统计技术,但高级的智能数据分析技术还远未成熟.因此数据信息的产生和对它的理解之间的差距越来越大.Rough集(也称粗集)理论是由波兰华沙理工大学Pawlak教授于20世纪80年代初提出的一种研究不完备、不确定知识库和数据的表达,学习,归纳的理论方法,近年来得到许多国际学者的重视.在中国,近几年不断的涌现一批关于粗集理论方面和应用开发的文章.他们来自于许多领域的学者,如计算机、控制与决策领域,管理和金融工程领域,生物医学工程领域等等.这深刻反映了粗集理论作为处理数据的新工具想许多领域渗透.Rough集的研究对象是由一个多值属性(特征,症状,特性)集合描述的一个对象集合,对于每个对象及其属性都有一个值作为其描述符号,对象,属性和描述符是表达决策问题的3个基本要素.这种表达形式也可以看成一个二维表格,表格的行与对象相对应,列对应与对象的属性,各行包含了表示相应对象的信息的描述符,还有关于各个对象类别成员的信息.通常关于对象的可得到的信息不一定是以划分其成员类别,即导致了对象的不可分辨性.给定对象间的一个等价关系,即导致由等价关系构成的近似空间的不分明关系.Rough集就用不分明类形成的上近似和下近似来描述,这些近似分别对应了确定属于给定类的最大对象集合和可能属于给定类的最小的对象集合.Fuzzy(模糊)集是美国控制论专家Zadeh与1965年提出的一种处理非精确的现象的数学工具.在经典集合中,一个元素是否属于某个集合可以用一个特征函数来表示.如果元素xεA,则μ<,A>(x)=1,否则μ<,A>(x)=0.但现实生活中,事物的界限往往是不清晰的.我们就用隶属度来表示元素x隶属与集合A的程度.所以作为粗集描述近似空间中的知识是模糊概念时,我们就有模糊粗集的理论产生.该文就一种基于截集的模糊粗集的模型进行了讨论(第三章),使模糊粗集与经典粗集通过截集这一工具联系了起来,并给出了λ-截集水平下,模糊粗集的粗糙度(第四章).