作为一种新兴的粒计算工具,粗糙集模型被广泛用于处理不确定问题。该模型能够对相关决策进行定量分析,为决策者提供了有效、可靠的决策建议。针对粗糙集及其扩展模型中属性约简、阈值求解、信息表示、条件概率估算、决策规则获取及粒度选择等问题的研究多采用数据挖掘、模式识别等智能方法,但较少文献采用优化方法。基于此,本文针对决策粗糙集和邻域决策粗糙集等两个粗糙集扩展模型,利用多目标方法对前者的阈值优化和后者的邻域粒度及阈值综合优化分别进行了研究。针对决策粗糙集的阈值优化问题,提出一种决策粗糙集阈值多目标优化方法。该方法在修改了前人最小化决策代价目标函数的基础上,增加了一个最小化边界域目标函数。同时,为了提高结果的分类性能,加入了两种F-measure约束,并以此建立模型。在模型求解过程中,分别设计了无F-measure约束、考虑F1-measure和考虑F2-measure约束三种情况下的多目标遗传算法以获得帕累托解集。对于考虑F2-measure约束条件下的不可行解,利用多元线性回归,设计了修正机制。在仿真实验中,采用12个UCI数据集对该方法的有效性进行了验证。同时,实验结果揭示了两个目标函数之间的竞争合作关系,即越小的边界域意味着更大的决策代价,而反之亦然。对于邻域决策粗糙集的邻域半径选择以及阈值求解等问题,提出一种邻域决策粗糙集的邻域半径及阈值综合优化方法。该方法在前人的基础上,通过去除惩罚参数,将邻域粗糙集中进行邻域粒度选择的单目标函数更改为两个最小化目标函数,同时将决策粗糙集中的最小化决策代价目标函数进行修改引入到邻域决策粗糙集中,建立了同时考虑邻域和阈值的多目标综合优化模型。在模型求解过程中,采用带有F-measure约束的强度帕累托进化算法获得帕累托解集。在仿真实验部分,利用8个UCI经典数据集对该方法的有效性进行了验证。结果显示,利用该方法同时得到的邻域半径和阈值具有良好的分类性能。本文将多目标方法应用到了决策粗糙集参数的优化研究中,从而扩展了相关粗糙集的研究思路。