粗糙集理论的优势在于其可以对无任何先验信息的数据进行客观的分析和处理.但是在处理不协调信息系统时,经典粗糙集在处理不协调信息时存在不足:一些随机性信息和不完全性信息被忽略掉.而多粒度粗糙集的提出为解决这一问题提供了一种途径.多粒度粗糙集与单粒度粗糙集都是建立在具有包含关系的不可分辨关系的基础上的.但在实际应用中,由于受到一定噪声干扰而影响数据集进行等价分类,缺乏对噪声数据的适应能力,且不能处理某种程度上的包含和属于关系.针对这些不足,多粒度概率粗糙集模型从概率分布理论出发,本文从以下几个方面进行研究:　　1、提出一种新的多粒度粗糙集模型:多粒度概率粗糙集模型.其不仅增强了处理数据集的能力,而且可以克服多粒度粗糙集下近似过于严格和上近似定义过于宽松的不足.多粒度概率粗糙集是对多粒度粗糙集的拓展,文中进一步研究了多粒度概率粗糙集的一些基本性质,并将其成功应用于超市的选址问题.　　2、提出多粒度概率粗糙集模型的粒度约简方法和规则提取方法.在多粒度空间中,不协调信息系统由于数据较大,同时在粒度集中存在着冗余的粒度,处理起来比较复杂.故乐观多粒度概率粗糙集的规则提取方法,是一个重要的研究内容.文中通过分布函数进行规则提取,删除冗余粒度,得到乐观多粒度概率粗糙集的粒度约简,并成功应用于商业风险投资评估.　　3、将多粒度概率粗糙集模型引入到可变多粒度粗糙集中,提出可变多粒度概率粗糙集模型.可变多粒度粗糙集是建立在完全信息的基础上,通过调节粒度个数,从而得到一个下近似集,其介于乐观多粒度下近似和悲观多粒度下近似之间.在实际应用中,由于噪声数据的影响,用这样的方式处理某种包含程度的问题上存在缺陷.故笔者提出了可变多粒度概率粗糙集模型,并讨论了其相关性质.该模型即可以处理含噪声数据的数据库,也可以处理含有包含程度的数据库.