随着信息技术的快速发展,社会生产中产生的数据呈爆炸式增长,如何从这些海量的数据中智能高效地进行知识发现已经成为人工智能领域中的研究热点。如何处理不确定信息并从中挖掘出有价值的知识,是知识发现中面临的一个关键问题。粗糙集理论作为处理不确定性问题的一种有效的数学工具,由于在处理不确定性问题时无需提供除数据本身以外的任何先验知识,近年来已经成为了处理不确定信息的重要方法。粗糙集模型的上、下近似集在描述不确定性概念时发挥着关键作用。为了更好地描述不确定性问题,本文在多粒度知识空间中对不确定性概念在不同粒度层次上的上、下近似集之间的关系进行了研究。另外,本文结合现实出发,构建了基于代价敏感的粗糙集近似集模型,并用于不确定性概念的近似描述。本文主要从以下两个方面开展了相关研究工作:(1)粗糙集的粗相等、粗包含关系描述了两个目标概念之间上、下近似集的关系。本文研究了两个目标概念之间粗相等、粗包含关系在多粒度知识空间中的变化规律;为了有效地度量两个粗相等目标概念的相似度,提出了一种新的相似性度量方法,该度量方法不仅反映了两个粗相等目标概念的相似度,还能反映出当前知识空间的粒度;利用已有知识粒,从乐观和悲观两个角度分别提出了乐观?-近似集模型和悲观?-近似集模型来构建近似集,用于对两个粗相等目标概念进行近似描述,并给出了这两种近似集的运算性质。(2)代价信息广泛存在于现实数据中,本文分析了在构建粗糙集的近似集时考虑代价信息的必要性,然后从代价敏感角度提出了误分类代价的粗糙集近似集模型,并研究了该模型下建立的近似集的运算性质。为了在多粒度空间下寻找一个合适的粒度空间用于对目标概念进行近似描述,使得对目标概念在该粒度空间下的近似描述所产生的代价尽可能小,本文定义了属性代价贡献率,并基于该定义给出了一种代价敏感的粒度寻优算法。最后,通过实验表明本文所提算法能适用于给定的代价场景,并且能在给定的代价场景下求出合理的粒度空间以及不确定性概念的近似集。