在当今大数据时代,从某种程度上来讲我们的生活是模糊的而不是精确的。面临着海量且有可能缺失的信息数据,如何从中挑选出有用信息并且快速做出决策,这是我们亟待解决的问题。对于模糊集、粗糙集和软集的相关研究有效的解决了一些数据的信息约简及决策问题。但是从粒计算的角度来看,这些研究基本上是基于单一粒度背景下进行的。我们在实际应用中是通过融合两个已知的不同属性子集的粒度为一个粒度,使其形成更细的划分去描述目标概念。这种融合为单一粒度的方法虽然可以产生更精细的信息粒或更多的知识粒,但是却破坏了原始的粒化结构。本文基于多粒度的思想,在粗糙集和软集的基础之上,提出两种类型的多粒度粗糙软集模型,并且与概率统计相结合,定义了多粒度概率粗糙软集模型。使用多粒化方法描述集合的近似,可以在不破坏原始粒空间的基础之上更好的根据用户要求描述目标概念并解决问题。首先,本文介绍了粒计算、粗糙集理论和软集理论的发展现状,基于理论背景分析了当前需要解决的问题。其次,本文分别介绍了粗糙集和软集、粗糙软集、多粒度粗糙集和概率粗糙集等相关理论基础知识,为文章模型及算法的提出做了充分的理论准备,提供了研究思路。然后,本文在多粒度的基础上结合乐观、悲观的思想,定义了乐观和悲观粗糙多粒度软集模型以及多粒度粗糙软集模型。并且与概率粗糙集相结合定义了多粒度概率粗糙软集模型。同时根据所定义的模型给出了一些相关性质及定理,并给出了严谨的证明。最后,将本文定义的模型应用于决策问题中,并给出了相应的算法。并将所提出的新算法应用于公司材料选择问题,通过这些实例证明了模型算法的有效性。