粒计算 (Granular Computing，简称 GrC) 是一种新的智能信息处理理论。对于粒计算的研究，很大程度上是因为它模拟了人脑认识和解决问题的过程。它主张从实际出发，从多粒度层上分析问题，寻求一种更经济和消耗更低的解决办法。近年来，粒计算理论发展迅速，现已经被广泛地应用于机器学习、数据挖掘等领域，并被证明是有效的求解问题的方法。 机器学习 (知识获取)的目标是将大量数据中所隐含的知识发现出来，也就是将知识从人们难于理解、操作和使用的数据表达形式转化为便于人们理解、操作和使用的符号表达形式。在信息不断膨胀的今天，人们需要从大量数据中获取有效的知识，这使得机器学习成为了众多学者研究的热点。然而在处理现实问题时，很难得到完全确定的数据，因此对不确定性条件下的知识获取方法的研究，是一项重要研究课题。而且，由于现代信息系统日趋复杂，精确求解常常很难实现，从问题的简化上考虑需要寻找一种更加经济实效的方法。这些都是我们用粒计算进行知识获取过程中的新挑战。 目前，粒计算理论中针对上述问题还缺乏有效的处理方法。为此，本文提出了两种基于粒计算的知识获取算法：第一种为用户驱动粒计算学习算法，它通过用户输入的先验知识作为阈值来驱动粒网络的构造，从而控制知识获取过程；第二种为自主式粒计算学习算法。我们借助王国胤教授等人提出的不确定性度量方法，采用决策表的最小确定性作为阈值，完成自主式知识获取。 最后，通过仿真实验验证了算法的有效性。