本文在基于模糊集、粗糙集和神经网络理论基础上,构造不同的系统作为信息处理的工具,结合模糊逻辑、神经网络的推理技术、粗糙集理论和遗传算法的各自优点并实现在信息处理中综合应用。首先,介绍了经典的模糊集、粗糙集、遗传算法和神经的网络理论。同时给出了基于条件属性隶属度的约简,用来处理不能被经典的粗糙理论处理的连续数据。本文提出粗糙自适应模糊神经网络推理系统,一个粗糙神经元具有上下边界,分别作为输入的上边界和下边界。这样每个粗糙神经元的输入可以看作一个区间的输入,可以处理非量化数据。同时,本文提出了基于遗传算法的模糊神经网络, 利用遗传算法并行和全局的搜寻能力用来将该系统的结构优化和系统的参数以及模糊隶属函数进行调整,从而实现遗传算法优化模糊神经网络。由于遗传算法在全局搜索过程中时间较长,速度较慢,因此本文又提出了利用粗集理论约简由遗传算法优化预先形成的参数,使作为遗传算法下一步优化的数据减少,使学习速度加快,实践证明这种GA-粗糙适用于模糊神经网络。最后,本文给出了几种学习算法及其实现步骤。实验结果证明,具有双输出心电图数据可以利用粗糙神经网络得到准确地处理。寻求属性约简的条件隶属度算法是解决连续数据问题的一种有效途径。另外,建立了将遗传算法优化神经网络模型,并提出将粗糙约简和遗传优化结合快速优化模糊神经网络系统,并在决策分类和函数逼近中得到应用。