双量化粗糙近似作为一种考虑双重量化的决策模型,比只考虑了相对量化信息的概率粗糙集模型和只考虑了绝对量化信息的程度粗糙集模型具有更强的容错能力。基于各种不同的需求,适用于不同信息系统以及处理不同问题的广义粗糙集模型被提出,以缓解经典粗糙集模型在处理实际问题时的局限性。其中一个局限性是基于等价关系的粗糙集模型只适用于处理信息系统中离散的数据,而不适用于处理信息系统中没有进行预处理的其它类型的数据,比如:连续的数据、偏序的数据等。另外一个局限性是经典的粗糙集模型没有考虑等价类与被近似的基本集合之间重叠程度的量化信息,因此不能很好地处理量化问题。为了克服经典粗糙集模型的两个局限性,必须建立不同的基于非等价关系的双量化粗糙集模型,以满足实际应用中对量化信息的需求以及处理不同类型的信息系统。本文的研究目的是构建新的基于双量化粗糙近似的决策模型,以及讨论双量化决策粗糙集(Dq-DTRS)模型的不确定性,具体包括以下四个方面的内容:首先,在序信息系统中,从双量化的角度研究两种类型的协调性水平,包括相对量化协调性水平和绝对量化协调性水平。分别讨论由相对量化和绝对量化协调性水平得到的单量化协调粗糙集模型及其具备的基本性质与相关的三支决策规则,进一步提出两种双量化协调粗糙集模型,以及研究其基本性质与决策规则。通过实际案例中关于决策的协调性分析来验证和说明所提出的序信息系统中单量化和双量化协调粗糙集模型,并且通过分析不包含量化信息的基于优势的粗糙集方法(DRSA)所具备的明显缺陷,来作比较验证这两种量化协调性水平在实际应用中所具备的优越性。其次,在信息系统中,运用任意两个对象之间的距离公式构造基于距离的模糊相似关系,提出基于距离的双量化粗糙模糊集模型,并且研究当参数变化的时候对模型中决策规则的影响。基于距离的单量化和双量化粗糙模糊集与经典的模糊粗糙集及其推广形式的差异主要体现为三点:(1)经典的模糊粗糙集模型没有讨论关键的模糊相似关系的获取方法。然而,文中利用距离矩阵为模糊相似关系的获取提供了一个直观地、系统地形成过程。(2)得到的近似集合的类型与经典的模糊粗糙集中的近似集合的类型完全不相同。经典的模糊粗糙集模型首先得到上下近似的隶属函数,也就是说上下近似为模糊集合。然而,文中定义的上下近似是经典集合,使用的是两个经典集合(上下近似)近似一个给定的模糊集合。(3)经典的模糊粗糙集没有考虑量化信息。然而,基于距离的单量化粗糙模糊集在上下近似中可以反映一种量化信息,基于距离的双量化粗糙模糊集可以反映两种量化信息。再次,从信息论的角度研究Dq-DTRS模型中相对量化和绝对量化信息的度量方法。自Dq-DTRS模型被提出,很少有关于该模型中不确定性分析的研究。与粗糙集模型中其它类型的不确定性度量不同之处在于,将论域所有子集的上、下近似考虑在内,首先对Dq-DTRS模型中的两种量化信息进行量化信息的粒化,并研究量化信息粒化后的信息表现特征及具备的基本性质,进而提出Dq-DTRS模型中量化信息的粒度、分辨度、粗糙熵及信息熵等度量量化信息不确定性的方法,讨论它们之间的关系并证明它们各自具备的重要性质,提供量化信息不确定性度量的理论基础。最后,通过引进粗糙集的模糊性公式讨论Dq-DTRS模型中不相交决策区域的不确定性,即模糊性,研究当两个阈值参数以及程度改变的时候不相交决策区域的模糊性变化规律。此外,针对边界域的变化,提出Dq-DTRS模型中三种增量信息,即有用的增量信息、无用的增量信息和误差修正增量信息,并且对经典的Pawlak粗糙集、DTRS模型以及Dq-DTRS模型中不相交决策区域的变化情况进行相关的比较,然后讨论这三种类型的增量信息随着信息系统中近似空间的改变而变化的判别方法。