大数据浪潮中的互联网每分每秒都在产生各种数据，如何从这些按秒激增的数据信息中及时发掘潜在有价值的知识，是数据挖掘的研究热点。粒计算（Granular computing，缩写GrC）是信息处理的一种新的概念和计算范式，其基本思想包括粒化、粒的运算和粒运算结果的融合。粒计算的特点是主要用于对不确定、不精确、不完整信息的处理，对大规模海量的数据和对复杂问题的求解。粒计算方法凭借自身的特点在数据挖掘中显示出较大的优势。部分覆盖是粒计算理论框架中的一种重要模型，在电脑安全、搜索引擎和客户评估等领域具有潜在应用价值。全覆盖是部分覆盖的一种特例，已有的研究大多是从粗糙集理论的角度开展的，本文是在pre-topology意义下从粒计算理论角度研究全覆盖。本文的创新点主要有：1、在邻域系统基础之上，提出了带中心的粒、全覆盖、全覆盖近似空间的概念；借鉴一般拓扑中内点和闭包算子的定义方式，在全覆盖近似空间中利用已定义的粒重新阐释了内点和闭包算子，并对全覆盖近似空间中的任意对象进行知识逼近；探究了全覆盖粒计算模型中这对逼近算子满足的基本性质；建立了全覆盖粒计算中逼近算子的公理化系统。2、基于全覆盖粒计算理论的基础，提出了粒的中心、全覆盖粒度熵及全覆盖粒族熵的概念；探讨了基本粒和全覆盖粒重要性度量的方法，并提出了相应的约简与核的判定定理；基于所提定义、定理设计了全覆盖粒的约简算法和全覆盖粒族的约简算法，并从理论上分析了两个算法的复杂度。最后以实例验证了所提算法的有效性。3、在全覆盖粒计算模型的基础上，设计基于全覆盖粒计算理论的供应商选择评估模型，结合全覆盖粒计算的知识约简算法，提出了一种新的供应商选择标准，使选择后的特征集更具重要性、代表性，为粒计算模型应用于数据/文本挖掘、客户/信用卡评估等领域提供了借鉴。