粗糙集作为一种处理不确定、不完整信息的数学工具,能有效地分析不精确,不一致等各种不完备的信息。然而Pawlak粗糙集具有一定的局限性,必须建立在严格的等价关系上。针对此问题,许多学者进行扩展研究,如概率粗糙集、程度粗糙集,邻域粗糙集等。其中,概率粗糙集是将概率引入Pawlak粗糙集中,概率论中的Bayesian概率结合先验概率和后验概率对数据集进行分类,具有较低的误判率,在处理不确定性信息时更具优势。直觉模糊集是由Atanassov在模糊集的基础上提出的,增加了非隶属度和犹豫度的概念,能更好地描述不确定性信息的模糊程度。这些理论的结合不仅可以降低决策风险,而且可以缩小边界区域,是一个值得深入研究的课题。因此,本文基于Bayesian概率公式,结合直觉模糊集和概率粗糙集,分别构建了基于完备信息系统的Bayesian直觉模糊粗糙集模型和基于不完备信息系统的Bayesian直觉模糊粗糙集模型,设计了其算法,讨论了性质。并通过实例验证和对UCI数据集进行仿真实验,验证了模型的有效性。主要研究工作如下:（1）针对经典的Pawlak粗糙集模型容易受到噪音数据影响的问题,基于直觉模糊集模型和概率粗糙集模型,提出了Bayesian直觉模糊粗糙集模型和算法。首先,基于Bayesian概率公式,将其分别应用到隶属度和非隶属度两个方面,提出了直觉模糊集上的Bayesian概率;其次,在Manhattan距离公式的基础上,综合考虑条件属性维度大小对样本间相似程度、相异程度的直接影响和间接影响,定义了新的直觉模糊相似关系和等价关系,并讨论了其相关性质;然后,从完备信息系统的角度出发,给出可处理完备数据的Bayesian直觉模糊粗糙集模型,给出了算法的详细步骤,讨论了相关性质;最后,通过对UCI数据集进行实验仿真,分析了阈值的取值范围,对实例进行对比分析,证明了该模型的有效性。（2）针对Bayesian直觉模糊粗糙集模型容易受到缺失数据影响的问题,首先将容差关系、特殊值法、KNN算法、线性回归算法等常用的四种信息补全算法引入Bayesian直觉模糊粗糙集模型,提出四种可处理不完备数据集的模型;其次,分析四种模型间的关系和优劣性,讨论了模型的性质并加以证明;最后,通过实例验证和对UCI数据集进行的仿真试验,说明了四种模型的可行性和有效性。