粗糙集理论是一种较新的软计算方法，可以有效地分析和处理不完备信息，近年来日益受到国际学术界的重视，被成功地应用于人工智能、模式识别等诸多领域。本文主要对粗糙集中的基本问题——知识约简问题和连续属性离散化问题进行了研究，对粗糙集的扩展模型进行了探讨，并在此基础上提出了三种不同领域中粗糙集与神经网络相结合的方式。本文系统地阐述了粗糙集的基本理论和概念，在这些基本理论的框架下，主要做了以下几个方面的研究：1．粗糙集理论的知识约简问题。本文首先对经典的属性约简的方法——基于区分矩阵的方法进行了分析。接着利用在理论说明中提出的信息熵的概念，从信息的角度，对决策表中属性的重要性给出度量；在此基础上，提出了一种基于信息熵的知识约简的启发式算法。2．粗糙集理论的连续属性离散化问题。本文对原有的贪心算法及其改进算法进行了分析，综合了前几种算法的优势，提出了利用互信息对信息系统决策表中断点的重要性给出度量；并融入断点核的概念来判断断点的重要性，提出了一种新的基于互信息的贪心算法改进方法，有效地解决了前几种算法的局限性。3．针对经典粗糙集理论在实际应用中的不足，介绍了常见的两种扩展模型：模糊粗糙集模型和变精度粗糙集模型。分别阐述其理论概念，研究了各模型的属性约简算法。4．研究了粗糙集与神经网络的结合方式。本文利用粗糙集在处理不精确性和不确定性问题上的优势，对数据样本进行预处理，约简样本属性，降低样本维数，得出近似值，获得最优约简后的决策规则，以此来映射到神经网络的训练样本中去，构建神经网络的隐层数及隐层内神经元数，使神经网络更富有逻辑性，并减少了神经网络的训练时间，提高训练精度及泛化能力。针对不同的实际应用类型，提出了不同的耦合方式以及训练算法，均取得了满意的效果。