粗糙集理论是一种处理不确定、不精确、不完整信息的有力工具，它无需先验知识，能够直接对数据信息进行分析和处理，并发现潜在的知识，现已成功应用于机器学习、数据挖掘、决策支持与分析、不确定推理和软计算等领域。对于粗糙集理论，不确定性主要来自不可分辨关系和粗糙集的近似域，当近似域中的上、下近似集不相等时，其边界域不为空，此时概念存在不确定性。在粗糙集不确定性度量中，概念的不确定性度量反映了给定近似空间对概念的近似能力，主要的度量方法有粗糙度、粗糙熵、模糊度和模糊熵等。信息系统的属性约简和规则提取是知识发现的两个重要问题，启发式属性约简是常用的约简方法，而不确定性度量方法为设计启发式属性约简算法提供了理论依据，度量方式的不同会直接影响属性的搜索策略，得到不同的约简结果；同时，度量方式的优劣也直接影响了规则提取的好坏。本文在概念不确定性度量方法和基于粗糙集知识获取的基础上，主要在以下几个方面进行研究和探索，并取得相关研究成果：(1)分析了粗糙集的模糊度在不同知识粒度下的变化规律，证明了该模糊度随着知识粒度的减小而单调递减，并讨论了模糊度随知识粒度细分的性质。这种模糊度在不同知识粒度下的变化规律，对用不确定性度量方法来设计启发式的知识获取提供了理论的依据。(2)在决策信息系统中，结合模糊度的性质，给出了修正条件信息熵和相对模糊熵的定义。用两种不同的方法证明了这两种熵在属性约简中的单调性,利用熵作为启发式属性约简方法进行属性约简。通过实验对比分析了利用各种熵进行属性约简的结果，以及它们在各种分类算法中的分类精度。结合相对模糊熵的相关性质，重新定义了一种新的属性重要度，得到了属性较少的约简结果。同时，给出了决策模糊熵的定义，并用于构建决策树来进行规则提取，得到了较为简化的决策规则。(3)在研究粗糙集近似集的基础上，结合概念不确定性的度量新方式，提出了一种应用于不一致决策信息系统的规则提取方法，得到的规则简洁合理。同时，在决策信息系统中给出了相对近似度的概念，很好地体现了条件属性对论域形成的划分空间与决策属性对论域形成的划分空间之间的相似度，并提出了基于粗糙集近似集的属性约简算法。实验结果表明，用该方法约简得到的属性在各种分类算法中有较好的分类特性。