在大数据时期,对于不确定信息的处理无处不在。模糊集、软集、粗糙集等理论都是可以描述关于复杂的、不确定的、模糊的数学模型,这些模型已经被广泛应用于许多领域如机器学习、决策分析、知识发现等;为了进一步将复杂的、不确定的问题更好的用数学模型进行描述,那么将三种理论结合的数学研究课题是一个值得探索的问题。本文主要基于模糊集、软集、粗糙集理论以及多粒度思想研究了多粒度模糊软粗糙集模型,此模型能够处理不确定性的信息并且可以描述模糊的数学概念;并将此模型应用于属性约简及决策问题;之后,又将其结合了概率统计知识进一步地提出了多粒度模糊软概率粗糙集模型;具体研究内容如下:第一章,阐述了国内外关于粒计算、粗糙集、软集以及模糊软集和信息熵理论的发展现状,并为新理论的提出进行了全面的研究背景分析。第二章,介绍了模糊集、粗糙集、软集与模糊软集、和信息熵的理论基础,其中包括多粒度粗糙集理论、模糊软粗糙集理论、条件熵以及决策规则的提取和度量的相关理论。第三章,研究了多粒度模糊软粗糙集理论模型的概念,并推导了相关的性质和结论。第四章,基于多粒度模糊软粗糙集理论模型构建多粒度模糊软决策系统,并在正域与条件熵结合的基础上进一步研究了基于信息熵的多粒度模糊软相对属性约简的算法,将所提出的新算法应用于解决超市盈利的多属性决策问题。通过实例证明,多粒度模糊软粗糙集能够很好的描述多属性决策问题,这也进一步说明了新算法在实际应用中的有效性。第五章,基于多粒度模糊软粗糙模型及概率粗糙集提出多粒度模糊软概率粗糙集,并阐述相关性质,而后将其应用于Bayes决策并给出算例分析。