粗糙集理论是八十年代初由波兰学者Pawlak提出的一种处理不精确、不确定性问题的数学工县。由于其近年来在机器学习、模式识别、决策分析、过程控制、数据库知识发现、专家系统等领域的成功应用,越来越受到各领域专家的广泛关注。研究基于粗糙集理论的属性约简和规则提取方法具有十分重要的理论意义和实际意义;覆盖粗集是Pawlak粗集的一个扩展,它能处理Pawlak粗集不能处理的一些实际问题,因此对覆盖粗集的研究也是一个很有价值的课题。本文围绕着这两个主题.在粗糙集的理论基础指导下,做了以下三方面的工作:(1)通过分析粗糙集理论的属性约简的过程和求决策系统约简的两个算法,提出了一种规则融合方法。这种基于粗糙集的规则融合方法能形成近似决策规则,为粗糙集的规则获取提供了新的思路。(2)通过分析粗集中支持子集的本质与计算方法,研究了决策系统最小规则集的提取过程,构造一种新的最小规则集提取算法,通过实例验证了该算法在协调决策系统中获取最小规则集的有效性。(3)研究比较了四种覆盖粗集模型,优化了覆盖粗集的上近似定义,提出一种新的覆盖粗集模型。对新的覆盖粗集模型的性质进行了较深入的研究和刻画,研究发现新的模型比原有的模型能保持更多Pawlak粗集的性质,而且上、下近似操作本质上也是彼此相互依赖。