由于每一种方法都有其适用范围,没有一种方法对于所有的问题都是最好的.为了处理现实世界的复杂问题,常将几个技术合并起来构造一个"杂合"的方法,以克服单个技术的限制.粗糙集理论(Rough Set Theory,RST)与人工神经网络、概率统计、模糊集合等理论有较强的互补性,本文在综述论文研究的背景、意义及国内外研究现状的基础上,较系统深入地研究了粗糙集(Rough Sets,RS)技术与这些领域技术进行杂合的方法,主要研究内容如下:(1)介绍了精糙集理论的基本概念,并将RST应用于我国上市公司失败(ST公司或PT公司)预测,提出了预测公司失败的一个系统的方法;较深入地研究了变精度粗糙集(Variable Precision Rough Sets,VPRS)模型中的置信阈值参数β,及VPRS中的一些集合理论性质,通过算例给出了信息系统中基于变精度粗糙集的概率决策规则获取方法.讨论了知识粒度与近似和分类质量的关系,在此基础上提出了基于变精度粗糙集的分层知识粒度构造方法,给出了相应的算法,并用一个实例构造了分层知识粒度图;提出了新的概率与粗糙集的杂合模型,该模型包括三个参数:最小的支持度、分类规则必须满足的一致度、覆盖度,且仅推导出满足参数要求的规则,并给出了实现算法.(2)概述了基于优势关系的RS,该方法主要用于从包含偏好信息的决策表中获取决策规则.由于噪声是在所难免的,为了从多标准决策表中获取由偏好对象组成的概率决策规则,提出了基于优势关系多标准概率决策分析的扩展VPRS模型,该模型能够处理多标准决策表中可能的不相容性.(3)介绍了模糊集的基本概念及RS与模糊集的杂合方法,提出了VPRS中知识的一种模糊表示方法,对这种方法的一些性质进行了研究,并用该模糊度量方法描述了近似算子.用模糊不可分辨关系代替等价关系,提出了变精度粗糙集的模糊扩展模型,讨论了其中的一些性质,并对输出类别的模糊性给出了两种模糊度量方法.(4)概述了神经网络的一般结构和模型,介绍了BP神经网络、RDF神经网络及概率神经网络的体系结构及算法实现,研究了基于杂合VPRS与神经网络方法的知识发现及预测方法,该方法包括两个阶段:第一个阶段应用VPRS方法约简信息系统获取一个最小的知识表示,这是由于VPRS对噪声数据有一定的相容性,第二个阶段由β-约简数据集训练网络进行分类及预测.最后通过一个具体的算例分析了变精度粗糙集与不同类型神经网络杂合方法的分类及预测精度.(5)将杂合RS方法应用于供应链中的运输决策问题.比较了在不考虑偏好信息与考虑偏好信息的条件下,分别应用不同的杂合RS方法获得的概率分类结果.