粗集理论是近年来智能信息处理领域发展起来的热门学科之一，是处理不完整、不精确信息的有力工具。它在数据挖掘、专家系统、模式识别、图像处理、机器学习、神经网络等领域发挥了重要作用，其理论和应用技术已经成为许多领科学领域的重要研究课题，并以它特有的优势受到高度的重视。 本文对神经网络和粗集理论的研究现状、发展趋势及应用领域进行了综述，阐述了人工神经网络、粗集理论和粗神经网络的基本概念、基本模型、算法。研究并实现了一种粗神经网络模型，这种粗神经网络采用了粗糙神经元，在网络结构上与经典神经网络有所区别，其学习效率比传统神经网络高。针对神经网络中的学习样本复杂性问题，采用粗集理论中的知识简化思想实现了学习样本的筛选；针对所建立的粗神经网络学习中存在的当学习样本规模较大、不同模式样本的特征差异较小时存在着收敛速度慢，容易陷入局部极小值的缺点，采用遗传算法，对网络的学习进行了优化，优化后的网络收敛速度快，稳定性高，具有较强的推广能力。 根据对粗神经网络的研究成果，并结合大庆油田采油八厂科研项目，研制开发出《基于粗神经网络的沉积微相识别系统》，实现了沉积微相的自动识别。