粗糙集作为一种处理不精确、不确定性信息的数学工具,应运而生,由Pawlak教授最先提出,并在过去的几十年内,发展迅速。作为一门实用性很强的学科,被应用于模式识别、机器学习、智能决策、数据挖掘等领域。模糊集的提出,很好的对现实中存在的“似是而非”的问题进行了数学性的描述。直觉模糊集在模糊集的基础上,增加了非隶属度的概念,既能够对“亦此亦彼”的模糊概念加以描述,又能够刻化“非此非彼”的中立概念。L-模糊集在模糊集的基础上,通过引入剩余格,在L-模糊关系下给出了L-模糊映射的概念。但直觉模糊集在表示模糊概念时较依赖于人的主观认识,因此,如何用直觉模糊集刻化不同的模糊概念,成为了研究的重点。粗糙集在处理数据时,不需要任何的先验信息,通过将直觉模糊集与粗糙集相结合,两者互补,成为了研究热点。由于剩余格存在左右蕴涵,左右蕴涵决定了剩余格是否可交换,故也决定了L-模糊集在L-模糊空间上的一系列性质。通过将L-模糊集与粗糙集相结合,定义L-模糊粗糙集的概念,通过人为定义剩余格是否可交换,令L-模糊粗糙集的研究具有多样性。本文从粗糙集的角度出发,结合模糊集的两种扩展:直觉模糊集与L-模糊集,分别给出了直觉模糊粗糙集及L-模糊粗糙集的概念。在直觉模糊粗糙集上,从逻辑运算出发,结合蕴涵算子的概念,定义直觉模糊粗糙蕴涵算子。在L-模糊粗糙集上,结合多粒度的概念,定义剩余格不可交换,构造了多粒度L-模糊变精度粗糙近似算子。本文的主要工作如下:(1)在粗糙集与直觉模糊集的基础上,与对偶模糊蕴涵算子相结合,首先对该对偶算子的性质进行了证明;基于该对偶算子,给出了直觉模糊粗糙近似算子的概念,并对其性质进行了细致地证明,最后给出了实例进行验证。(2)在L-模糊集的基础上,假定剩余格不可交换,首先对广义剩余格的性质进行了简要的证明,并给出了L-模糊空间上L-模糊关系的定义;结合多粒度的概念,构造了四对多粒度广义L-模糊变精度粗糙近似算子,并对其性质进行了一系列证明。(3)在第三章的基础上,通过对直觉模糊粗糙近似算子进行建模,设计了小麦生长因子评估系统,在此系统中,结合贴近度,对小麦生长过程中各生长因素的重要性进行估量,证明了该模型的重要性。通过将粗糙集分别于直觉模糊集、L-模糊集相结合进行讨论,丰富了对模糊粗糙集的理论研究;通过对理论研究中的重点进行建模,运用到实际中,验证了研究的重要性与实用性。