粗糙集理论是波兰科学家Pawlak教授提出的一种有效地处理模糊、不确定性、不完全知识的数学工具.知识约简是粗糙集理论处理问题的主要任务之一.众所周知，知识库中描述知识的属性并不是同等重要的，甚至有些属性是冗余的.这样一方面造成了资源的浪费;另一方面信息过于繁杂，会给人们作出正确决择带来阻碍.所谓知识约简，就是保持知识库分类能力不变的条件下，去除其中不必要或不重要的属性，使问题表示简化，这正是人们所期望的.　　本文的研究内容如下：　　(1)将互信息的概念与直觉模糊粗糙集相结合，提出了一种在直觉模糊粗糙集中基于互信息增益率的启发式算法，给出了在直觉模糊环境下，模糊决策表中属性重要度的度量方法，这种度量方法不仅考虑了属性值域的大小，而且还考虑了取值的分布.　　(2)在不完备直觉模糊信息系统中，提出了新的改进模型.首先引入一种扩展的基于相似度的容差关系，然后从多粒度的角度探索了粗糙集理论，将不完备直觉模糊信息系统与多粒度粗糙集相结合，建立了一种新的多粒度粗糙集模型，即不完备直觉模糊信息系统的多粒度粗糙集模型.在此模型上定义了目标概念的多粒度粗糙集上下近似集合，研究了相关性质，并且给出实例验证了该模型的有效性.