随着信息技术的快速发展,特别是数据库系统与网络技术的发展和广泛使用,使得信息系统中存储的信息量越来越大,越来越复杂,加大了信息资源使用的难度。在实际生活中,由于对所采集到的数据有各种不同的操作和处理方法,使得所得到的决策表是不一致、不精确和不完备的。如何从这些不确定的信息系统中得出有用信息,已成为智能信息系统中研究的一个重要问题。粗糙集理论是一种用于处理不确定信息的新型工具,目前,对不一致信息的处理主要采用变精度优势关系粗糙集模型,但是科学合理的变精度阈值的选取是其关键。对变精度阈值的获取,大部分都是通对领域专家给定或通过多次实验得到,而对于类似航天、深海等一些人类事先未知且需要全新探索的领域,没有可供借鉴的领域先验知识。因此,在数据不确定且没有可供借鉴的先验知识时,如何摆脱学习过程中对先验知识的依赖,进行数据驱动的自主式学习,成为了机器学习的一个难题。本文针对不一致信息系统,从变精度优势关系粗糙集模型和扩展的变精度优势关系粗糙集模型的阈值选取方面做了以下两部分工作:(1)针对不一致信息系统,给出了一种度量不一致信息的度量准则,并在此基础上改进了一种数据驱动的自主式学习算法。该算法的核心思想就是避免对先验知识的依赖,仅仅利用数据本身的信息就可以得到变精度阈值β.(2)当信息系统中的属性较多时,传统的优势关系粗糙集的定义太过严格。因此,针对扩展的变精度优势关系粗糙集模型,将自主式学习算法应用到其中,使得对偏好信息的处理更加有效,并增加对有用信息的提取,提高该模型的分类性能。(3)对于以上两部分内容,选取UCI数据库当中的多组数据进行实验,验证自主式学习算法的有效性和扩展的优势关系粗糙集的优越性。