粗糙集理论是一种新的处理不确定性知识的数学工具，是由波兰科学家Pawlak在1982年首先提出来的，目前已发展成为人工智能的一个重要研究方向，在数据挖掘(datamining)与知识发现(KDD)中具有非常广泛的应用背景，并已获得许多成功的应用。 Pawlak粗糙集模型是以等价关系为基础建立的。为推广粗糙集理论的应用范围，Pawlak粗糙集模型被推广为多种形式，包括模糊粗糙集模型、概率粗糙集模型、变精度粗糙集模型以及一般二元关系下的粗糙集模型等。本文研究基于模糊粗糙集模型的模糊信息系统知识发现问题，具体作了如下研究工作： 针对模糊信息系统，定义了一种相似度量算子来描述对象关于属性的接近程度，由相似度量算子提出关于对象的模糊不可区分关系RB，这是一类一般的模糊相似关系；以模糊不可区分关系为基础，在广义近似空间(U，RB-α)中定义了上、下近似算子，并讨论了相关的性质。 接着，对王熙照定义的模糊约简和模糊核的实现及有关性质和定理作了适当的改进与扩充，使其更加完备化，且讨论了模糊约简与模糊相对约简的关系。 其次，提出了关于属性的模糊相对约简和模糊相对核的概念，讨论它们的基本性质，对于决策属性只有一个且决策属性值域是离散的模糊决策信息系统，设计了模糊相对区分矩阵和相对区分函数，用以求出模糊相对约简和模糊相对核。 最后，以模糊不可区分关系为基础，讨论了属性间的相互依赖关系，对决策属性多于一个的模糊决策信息系统，提出了一种以模糊不可区分关系为基础的规则提取方法，并给出了应用实例。