粗糙集理论是1991年波兰学者Pawlak首先提出的。它是一种新的用于处理不完备和不确定知识的方法，它是基于论域中的每个对象都具有一定的信息这样的假设基础上的。粗糙集被广泛应用在模式识别，信息处理，特征选择等领域。粗糙集理论是集合理论的推广，用基于等价关系的上下近似来刻画论域的子集。虽然经典的粗糙集理论对于处理不确定问题和模糊问题非常有用，但是经典的粗糙集理论局限于单个的属性集。因此在处理多属性问题的应用上，经典粗糙集的作用非常有限。近几年软集理论作为一种处理不确定数据的工具被广泛用在决策问题等领域。软集理论是由Molodtsov首先提出的，软集理论的一大优势是可以避免模糊集理论，可能性理论等指标化工具的不充分性的问题。经典的软集是定义在完备的信息上的，然而很多原因可能导致要研究的软集是不完备的，而由于软集中指标值的特殊性，需要推广现有的处理不完备信息系统的方法来处理不完备软集问题。对于不完备软集，有加权预测的方法可以预测未知软集中的指标值，但是该方法不能充分利用软集的信息，特别的，对于软集中已知指标值很少的情况，采用加权预测方法预测软集中未知指标值的精确度会比较低。在完备软集中，将粗糙集和软集结合起来作为处理不完备信息的工具具有非常重要的意义，目前对软粗集的研究主要仍是在等价类的基础上定义的软粗集，这极大限制了软粗集在实际中的应用。本文所做的主要工作如下：首先，对多属性粗糙集的基本理论进行了研究，提出了多属性近似空间。本文在保持不同的属性集在对象集上的划分不变的前提下，提出了多属性粗糙集模型并且研究了多属性粗糙集中的基本运算，将一个集合上的多属性粗糙集推广到定义在多个集合上，而且探讨了多属性粗糙集和经典粗糙集的关系。本文同时通过一个简单的例子说明多属性粗糙集在实际中的应用。其次，本文研究了软集中真约简和伪约简问题，并且分析了现有方法在不完备软集指标值预测中的优缺点，充分利用信息表中对象间关系的信息和指标间关系的信息，提出对象-指标值预测方法。对于在软集中已知指标值信息较少的情况下预测指标值，对象-指标值预测方法比现有的指标值预测方法更有优势，能够提高预测准确度，从而为正确的决策提供支持。最后，本文同时讨论了软集中的偏好关系，偏好关系可以一定程度上减少信息不协调性的影响。并在偏好关系上研究了指标重要度，提出软集中聚类方法，在聚类基础上定义软粗集，探讨了软粗糙集中的运算和软粗集的精确度。