粗糙集理论是Pawlak教授提出的处理不准确、不完整和不明晰信息的数学方法。模糊集理论是Zadeh教授提出的,用来刻画模糊现象以及模糊概念的数学工具。其后,Atanassov教授推广了Zadeh教授的模糊集理论,并在模糊集理论的基础之上,给出了直觉模糊集的概念,该理论给出了隶属度同时,又给出了非隶属度和犹豫度的概念,既表达了“亦此亦彼”,也表达了“非此非彼”的现象。在分析处理不明确、不完备等信息时,直觉模糊集相较于模糊集具有更强表达能力。由于直觉模糊集和粗糙集理论在处理不明确性和不完整性问题时,考虑问题出发角度与侧重方向不是相同的,两个理论具有很强的互补性。于是,Dubois创造性地将这两种理论结合起来进行研究,两种理论的融合已经成为了新的研究热点,引起了许多学者的研究兴趣。近几年,覆盖粗糙集、邻域粗糙集、多粒度粗糙集是粗糙集的重要拓展形式,它们的研究引起了许多学者的关注,成为新的研究热点。目前,将覆盖粗糙集和直觉模糊集的结合、邻域粗糙集与直觉模糊集的结合,同时从粒度的角度对它们的研究成果较少,对其进行研究具有一定的理论价值和实际意义。因此本文在覆盖理论基础上,对粗糙集、邻域粗糙集以及直觉模糊集结合进行了研究,并从粒度的角度出发,对覆盖粗糙直觉模糊集拓展进行了研究,建立了一些模型,研讨了这些模型的一些重要性质,并用算例验证了有效性。本文的创新点如下:(1)在粗糙集、直觉模糊集和覆盖理论基础上,给出了模糊覆盖粗糙隶属度和非隶属度的定义,构建了一种新的模型----覆盖粗糙直觉模糊集,证明了该模型的一些重要性质,与此同时又定义了一种新的直觉模糊集的相似性度量公式,并用例子进行了验证;(2)把最小描述由单一粒度拓展到了多个粒度,提出了新的基于多粒度的最小描述定义。在此基础上,给出了多粒度的模糊覆盖粗糙隶属度、非隶属度概念,构建了I型、II型多粒度覆盖粗糙直觉模糊集模型,讨论了它们的性质,并举例说明;(3)基于不同的属性集序列和不同的邻域半径,定义了双重粒化准则,建立基于双重粒化准则的多粒度邻域粗糙直觉模糊集模型。并给出该模型的相关性质。然后,提出了乐观与悲观多粒度邻域粗糙直觉模糊集的近似集,并讨论了这些模型的一些重要性质,最后由例子验证了这些模型的有效性。