该文研究了神经网络学习与粗集学习相结合的可能性与各种方式,期望在对数据采取预处理的过程中,可以消除冗余的数据,同时化简数据的各个特征属性并导出对属性之间依赖性与相对重要性的度量.采取对神经网络学习结果进行分析的方法来提高神经网络系统的解释功能,其中重要原因是:神经网络系统本身已具有很高的精度,并具有很强的泛化能力,不能以此为代价来提高其解释能力.应用粗糙集理论可以在验证其结果的同时,得到规则形式的知识表示方法,是一种值得研究的方法.尤其是当网络应用于与知识、决策相关的领域.该文应用神经网络与粗集结合的方法对信用风险分类问题作了简单的模拟,结果证明,通过粗集学习能够依据现有数据确定性规则与可能性规则,在保证神经网络分类精度的前下,适当提高网络分类结果的解释性.最后,该文对于分类科学的发展作了展望.