由于基于知识的故障诊断方法可以避免对精确数学模型的过分依赖，对于难以得到系统解析模型的故障诊断问题是一种非常实用的方法。然而在实际的故障诊断问题中，描述故障模式的信息常有某种程度的不完备、不确定性。尤其是在故障信息丢失或传输错误时如何正确诊断的问题，造成故障知识不完备或检测信息缺失等引起诊断信息的不确定性问题，使得这些方法在诊断能力、适用性和知识获取方面还不尽如人意。因此，实现对故障诊断信息的不确定性的研究已经成为故障诊断中的一个前沿课题。 本文在对国内外大量文献分析和总结的基础上，对Z．Pawlak教授提出的粗糙集理论进行了深入研究，主要工作如下： 针对阈值β的不同，会影响变精度粗糙集属性近似分类质量的问题，提出了基于集合可变性的β选取方法。 针对参数l和u的选取会影响到不对称变精度粗糙集信息处理的抗干扰能力，提出了单参数选取的方法。 针对粗糙集对数据进行离散化时引起的数据丢失的问题，提出了一种模糊粗糙集与快速约简算法相结合的数据处理方法。模糊粗糙集利用数据相似程度对属性值为实数值的数据集合进行约简，不需要预先对原始数据集合进行离散化，约简结果能完整地反映原信息系统的分类能力。 针对粗糙集难以对具有偏好顺序的决策表进行数据分类的问题，提出了基于二进制矢量表的优势关系粗糙集数据分类方法。该方法不需对决策表产生规则，只将原有的对象描述转化为二进制码表，通过被测目标在论域中的对象支持决策类的程度，对数据进行分类。 利用粗糙集理论能够从大量数据提取相关信息的优势，将其应用到轴承的故障诊断中。 上述讨论都是在一个论域的范畴下进行的，为此，本文对两个论域粗糙集模型进行了探索性的讨论，给出了基于容限关系的粗糙集及变精度容限关系的粗糙近似的概念，拓宽了粗糙集应用的广度。