当今的社会,数据库和网络技术得到了飞速的发展,社会各领域中的数据和知识都在日益剧增,数据的泛滥使得数据本身变得不确定。并且人类的参与也更加显著的增加了数据与知识的不确定性,这也使得数据与知识之间的各种关系变得更加错综复杂。如何从大规模的不具有确定性的且杂乱无章的数据和知识中挖掘出来隐藏在其中的有用且有价值的知识和数据是我们当先面临的严峻问题,这对有用信息的挖掘提出了极其严峻的挑战,挖掘和探索新的信息处理的方法迫在眉捷。本文跟踪国际学术前沿,主要对不完备信息系统进行完备化以及其上的知识获取模型进行了研究。本文获得了以下主要结果：1)在不完备信息系统中引入模糊关系,通过构建一个信息完备化框架,提出了两种不同的不完备信息的完备化方法。该框架分别为基于多划分的不完备信息系统的完备化和不完备信息系统在不同划分下的完备化提供有效的数据支持。与一些传统方法相比较,它们不仅是模糊关系在信息完备化研究中的一个新的尝试,而且求解结果更加合理且有效。2)提出了一种数据分解的方法,从而避免了在缺失属性值的数据上进行推理的必要。原始的不完备数据被分解成不包含缺失信息的数据子集和只包含缺失信息的对象的不完备子集。提出完备化模板的概念,并利用完备化模板对不完备信息进行完备化。3)在不完备形式背景(不完备信息系统的一种特殊情况)中,引入形式概念分析理论,详细探讨论了不完备形式背景中的相容概念以及相容决策规则的获取方法。为了压缩规模庞大的相容规则集合,本文提出了一条推理决策规则来消除所有的冗余相容决策规则,并最终得到一个完备的及无冗余的相容决策规则集合。通过参数的设定可以满足不同用户的实际需求,实例证明了该方法的有效性。