波兰数学家Z. Pawlak于1982年提出的粗糙集理论是一种刻画不完整性和不确定性的数学工具,它能有效分析和处理模糊、不一致和不完整等各种不完备信息,并从中发现隐含的知识,揭示潜在的规律。目前,粗糙集理论已成功应用于机器学习、决策分析、过程控制、模式识别与数据挖掘等领域。在过去的20多年中,许多学者结合不同的实际背景,从不同的层面研究和讨论了粗糙集的理论和应用问题。模糊性是现实世界中广泛存在的现象,是众多实际领域不可回避的问题。1965年,美国控制论专家Zadeh提出了模糊集合的概念并创立了模糊集理论,为不确定信息的描述与处理奠定了基础。许多学者丰富了Pawlak粗糙集理论,并且在许多具体领域取得了成功的应用,但这些理论均不能有效地处理具有模糊性特征的数据约简和知识发现问题。本文针对具有模糊性特征的数据约简和知识发现问题,建立了基于可能性测度的粗糙集模型和基于模糊测度的粗糙集模型。首先针对具有可能性特征的知识约简的问题,建立了基于可能性测度粗糙集模型,并讨论了上下近似算子的性质,结合具体实例探讨了基于可能性测度粗糙集模型的应用问题。结果表明,该模型不仅包容了Pawlak粗糙集模型,而且具有良好的分析性质,可以有效的解决具有可能性特征的信息处理问题。其次,针对具有模糊特征的数据约简问题建立了基于模糊测度的粗糙集模型,并在模糊近似空间上讨论了上下近似算子和λ?模糊测度满足的一些性质,最后给出了该模型的简单应用。