目的——在多粒度粗糙集模型的基础上,通过引入泛系算子将任意二元关系转化为等价关系,提出泛系并联粗糙集模型。然而在决策时,泛系并联粗糙集模型存在以下三个缺陷:泛系析取并联粗糙集模型的下近似条件过于宽松,泛系合取并联粗糙集模型的下近似条件过于严格;没有考虑各粒度空间的不平等性;容易受到噪声数据的影响。针对上述三个问题,将对泛系并联粗糙集模型做进一步的扩展研究。方法——从粒度数量、粒度质量、容错性三个角度结合可变精度、泛权、概率纵向地对泛系并联粗糙集模型进行扩展,并将扩展模型与模糊聚类算法相结合,用以解决聚类结果的边界模糊问题。结果——首先,基于粒度数量上的考虑,引入可变精度的概念,利用参数β调控满足下近似集合的粒结构数目,提出了可变精度泛系并联粗糙集模型。其次,基于粒度空间之间的不平等性考虑,在可变精度泛系并联粗糙集模型的基础上引入泛权的概念,提出泛权可变精度泛系并联粗糙集模型。该模型客观地评估量化各粒度空间的重要度,计算其泛权值。然后,基于对容错性的考虑,在泛权可变精度泛系并联粗糙集模型的基础上引入统计概率的思想,利用条件概率来定义上、下近似集合,提出了泛权可变精度泛系并联概率粗糙集模型。最后,将泛权可变精度泛系并联概率粗糙集模型与模糊聚类算法相结合,给出了一种改进算法,该算法借助上、下近似集合来表示聚类结果,用来解决聚类结果边界模糊问题。通过将该算法与K均值算法和模糊C均值算法进行对比,验证了该算法可以有效提高聚类结果的正确率。研究的局限性——针对模型中的参数,将结合贝叶斯决策、损失函数等方法客观合理地获取;针对粒度约简算法,将结合启发式算法得到更加高效的粒度约简算法。实际影响——通过对泛系并联粗糙集模型的扩展,可以使其更好的适应分布式信息系统以及复杂系统,有效、合理地从多个角度对问题进行决策分析及规则提取。独创性——引入参数β来控制满足下近似条件的粒度空间数目;引入信息熵和泛系相关理论客观地评估各粒度空间的重要度;结合统计概率的思想,使各个粒度空间具有对噪声数据的容错性;利用泛权可变精度泛系并联概率粗糙集来改进模糊聚类算法,通过引入上下近似的概念来解决聚类结果边界模糊问题。