粗糙集理论是一种数据挖掘算法的理论基础,自提出之后被广泛的应用和推广。本文的主要工作是将Pawlak粗糙集模型在模糊环境下进行拓展。首先,为解决经典Pawlak粗糙集模型在处理连续值信息系统,以及包含不一致信息的信息系统时存在的问题,本文对粗糙集理论进行推广,提出模糊覆盖粗糙集模型。探索了模糊覆盖近似空间的性质,证明了模糊覆盖粗糙集模型是Pawlak粗糙集模型、粗糙模糊集模型、覆盖粗糙集模型的推广。之后,对该理论做了公理化研究,发现了该模型的一些重要性质,并据此给出了上下近似算子的公理化定义。最后,我们研究了模型在现实中的应用,结合数据挖掘研究中被广泛使用的标准数据——酒的品质数据,做了实验,得到了较好的约简效果。其次,从论域分解的角度探索降低高维模糊粗糙集计算复杂度的问题,研究了双论域模糊粗糙集的分解问题,构建了基于积模糊等价关系的积模糊粗糙集模型,并讨论了该模型中模糊粗糙集的表示与分解问题,分别从λ-截近似空间和一维模糊近似空间的角度去处理,给出了可分解集的上（下）近似的一个刻画,及模糊可分解集的上（下）近似的λ-截集分解算法。