经过三十多年的发展,数据融合方法已经在战场信息系统、智能机器人等领域得到广泛的应用,并取得了良好的效果。数据融合作为一种数据处理方法,其基本思想是综合利用系统各个方面的数据,最大限度地抽取有关对象或环境的有效信息,以达到更准确、更全面地认识观测对象或环境的目的。由于数据融合综合利用了系统各方面的信息,所以能够有效地克服单方面信息的局限性和不确定性,得到关于对象或环境的全面、准确的认识和描述。数据融合的方法很多,但现有算法都有各自的优缺点,因而也都有各自的适用范围,到目前为止尚未形成统一的算法理论。大部分融合算法对于不完备、不确定数据的处理有很大的缺陷,例如,概率统计方法而且需要知道事件的先验概率,这在实际中是很难解决的问题;模糊理论则主要着眼于同一类的不同集合中对象间的不可分辨关系等。本文在掌握了数据融合的基本原理、结构、功能和算法后,探讨了基于粗糙集理论的数据融合算法。粗糙集理论是一种新的分析和处理不精确、不一致、不完整信息和知识的数学工具,为智能信息处理提供了有效的处理技术;而且,应用粗糙集理论不需要事先确定事件的先验概率。粗糙集理论的应用前景很广阔,不但可以用于构造新型的系统,而且关键在于它能够优化现有的许多算法;但对于数据逼近过程中的数据丢失以及对属性进行判别的方法,对连续数据属性值离散归一化、最优间隔断点选取以及知识获取的技术问题等方面,还需要更进一步地研究。本人的主要工作是研究在相容和不相容情况下基于粗糙集理论的数据融合在分布式检测系统和证券分析系统中的应用,主要是研究<WP=4>知识提取,包括相容情况下的知识提取和不相容情况下的知识提取。文中介绍了两种情况下进行知识提取的基本原理以及它们在分布式检测系统和证券分析系统中的应用方法。