本文主要是基于局部粗糙集模型与局部多粒度粗糙集模型展开讨论,进一步拓展局部粗糙集理论。基于局部粗糙集模型,考虑到决策数据常常是不协调的,本文将其引入到不协调信息系统。研究发现,基于不协调信息系统的局部粗糙集,正确分类率与分类质量之间存在着一定的关系:不同的正确分类率对应不同的分类质量,两个正确分类率之间的分类质量是保持不变的;使用下近似分布是否改变来定义的属性约简,存在属性核,并且约简具有稳定性,基于此,本文定义了a下近似分布约简。根据在决策表中,条件属性集的信息熵具有单调下降这一性质,本文利用信息熵来衡量属性重要度的大小,并设计出基于不协调信息系统的局部粗糙集的属性约简算法。基于局部多粒度粗糙集模型,本文给出了“求同存异”与“求同排异”两种融合策略下的局部多粒度粗糙集模型,分别定义了两种融合策略下的上下近似算子,并研究了相应的性质。本文发现,根据本文所给出的近似质量的定义,正确分类率与分类质量之间也存在类似于不协调信息系统下的局部粗糙集中的关系:不同的正确分类率对应不同的分类质量,两个正确分类率之间的分类质量是保持不变的。两种融合策略下的局部多粒度框架中,随着粒度空间的单调变化,局部多粒度粗糙集的近似质量也呈单调变化,并且能够完全表示出局部多粒度决策空间中的下近似分布的变化。利用这一特性,本文依据近似质量定义了粒度熵,根据粒度熵给出了合理的粒度内外部重要度的度量办法,并设计出基于a下近似分布的粒度约简算法。研究表明:在悲观融合策略下,随着粒度集中粒度的增加,粒度集的下近似分布粒度熵逐渐变小;在乐观融合策略下,随着粒度集中粒度的增加,粒度集的下近似分布粒度熵也逐渐增大。当某个粒度的内部重要度大于零时,此时的粒度属于粒度核。最后,本文通过实验验证了算法的有效性。