粗糙集理论作为粒度计算的三大模型之一,自产生起就备受关注,并已广泛应用与机器学习、模式识别等领域。其主要内容包括近似集、决策系统、数据预处理以及属性约简等等,是一种处理不完整,不精确数据的有效方法。人工神经网络与粗糙集理论一样同属于软计算的范畴,都是主张通过对不确定、不精确及不完全真值的容错以取得低代价的解决方案以及鲁棒性(健壮性)。经过70年的发展历程已经较为成熟,广泛应用与多个领域。粗糙集理论和人工神经网络技术的特点都很鲜明并且有着较为明显的互补性。所以将二者以一定的方式实行融合,用各自的优点来弥补不足,会得到一个互补或双赢的结果。本文首先介绍了基于粗糙集的粒度计算和神经网络的基本内容,其中有粗糙集理论的核心内容一属性约简及主要的几种约简方法,神经网络的三大要素,BP神经网络的结构、学习规则和改进等。然后,在上面内容的基础上,对粗糙集理论和神经网络进行融合的可行性进行了研究和论证；列举了二者进行融合的方式,并对串行连接、结构优化以及粗神经网络这三种融合方式进行了详细论述,对其中一种优化方法进行了改进,并提出了一种结构优化方法。最后,进行了实验验证。结合一个心脏病诊断的实例,对粗糙集用作神经网络预处理器的融合方式做了实验,用经过粗糙集属性约简处理过的样本训练的网络诊断更加准确；通过一个函数逼近例子,对粗糙集用于神经网络结构优化的融合方式进行了实验,经过优化的网络结构更简单,处理速度更快。两个实验都证明了融合的有效性。