粗糙集理论是波兰数学家Pawlak在1982年提出来的,它是一种处理模糊、不确定、不精确数据的数学工具.经典的粗糙集忽略了类与集合重叠部分的量化信息,而程度粗糙集从信息的绝对量化入手对经典粗糙集进行了拓展.Pawlak粗糙集在划分的基础上构建,在实际生活中,覆盖比划分更一般化.本文在覆盖近似空间中,对程度粗糙集分别从粒度,论域,与概率粗糙集结合这三个角度进行拓展.在覆盖近似空间中,将多粒度的思想融入程度粗糙集中,提出了多粒程度覆盖粗糙集模型.研究了两类多粒程度覆盖粗糙集模型的性质,讨论了多粒程度覆盖粗糙集与程度覆盖粗糙集之间的关系,并通过实例说明了该模型的实用性.将程度粗糙集与双论域覆盖粗糙集结合,提出了双论域程度覆盖粗糙集模型.首先给出了该模型的上下近似定义,讨论了上下近似算子的若干重要性质和定理,进一步给出了该模型的模型区域以及讨论了其重要性质,而后将该模型与两个域上的变精度覆盖粗糙集进行了比较.在覆盖近似空间中,将程度粗糙集和概率粗糙集结合,建立了基于覆盖的概率和程度粗糙集模型.首先给出了基于覆盖的概率和程度粗集模型上下近似的两种描述并研究了其基本性质,进一步给出了粗糙集区域的基本结构和精确描述,最后通过实例说明了基于覆盖的概率和程度粗集模型在医疗诊断系统中的应用.