粗糙集理论是一种新的处理不确定、不精确、不完整信息的数学分析工具,它把知识看作是对论域的划分,并用知识库中已知的知识来刻画不精确、不确定的知识,目前在知识获取、规则生成、决策分析、智能控制等领域具有广泛的应用。属性约简与规则提取是粗糙集理论研究的核心内容,并且寻求高效快速的属性约简与规则提取算法对粗糙集理论的深入研究具有重要的意义。而粒计算作为粗糙集理论的超集,覆盖了当前所有有关粒度的理论、方法、技术和工具的研究,现已成为人工智能领域研究的一个新热点。粗糙集理论的发展为粒计算的研究提供了重要的理论基础和应用模型。本文在基于粗糙集的粒计算理论中,讨论了决策表中知识的不确定性度量问题,并对属性约简与规则提取进行了深入地研究。本文的主要创新点如下:(1)针对决策表研究了决策属性集相对于条件属性集对论域中对象的划分粒度,即划分的粗糙性,提出了相对粒度的概念,用于度量决策属性集相对于条件属性集对论域中对象的分辨能力。分析证明了知识的相对粒度的单调性,给出了一些性质,定义了决策表中属性的重要性度量。在此基础上,设计了一种新的基于相对粒度的启发式属性约简算法。实例验证表明,该算法弥补了基于正域的属性约简算法处理不一致决策表的不足,且其时间复杂度相对较低。(2)为弥补经典粗糙集方法对决策表进行规则提取时存在的不足,本文基于粒计算理论深入研究了决策表的规则提取方法。在决策表中给出了知识粒的表示、形成与粒运算,定义了子粒、粒库等概念,并针对现实世界中所获取信息的复杂性、噪声性及不确定性,本文讨论了知识粒之间的关系,运用规则覆盖度和规则置信度这两个度量指标从不同的粒度层次出发,考虑通过不同粒层的转换来实现决策表中规则的提取,尝试从较低阶的粒库中获取尽可能多的满足用户期望的决策规则,提高了规则对噪声数据的适应能力。(3)针对信息系统的多样性问题,本文从粒计算的角度出发,对序信息系统和不完备序信息系统及其规则提取进行了深入研究。为有效地处理序信息系统,定义了对象间的序关系,并针对不完备序信息系统将严格序关系的定义进行了扩展,给出了扩展序关系的定义。在序信息系统中,基于序关系的定义将序信息系统转化为有序矩阵形式,讨论了有序矩阵中的粒表示与粒运算,针对序决策表提出了一种基于粒计算的序决策规则提取算法。在不完备序信息系统中,通过扩展序关系将不完备序信息系统转化为扩展序值信息表,在扩展序值信息表中给出了粒计算的一些性质及定理。在此基础上,针对不完备序决策表提出了一种新的基于粒计算的序规则提取算法,并通过实例说明了算法的有效性。