近年来，由波兰学者Z.Pawlak教授提出的粗糙集(Rough Set)理论已成为一种重要的数据挖掘与知识获取方法。粗糙集理论是一种能够有效地分析和处理不精确、不完备或不协调信息与知识的重要的数学工具。目前，粗糙集理论已被成功的应用到机器学习、模式识别、决策分析、知识发现等人工智能领域中。经典粗糙集理论是以完备的信息系统为研究对象，以等价关系为基础而提出的。在现实生活中，由于技术、资金等原因，数据的不确定性及缺损现象普遍存在，我们面临的信息系统绝大多数都是不完备的；另外，信息偏好有序也是实际决策问题的重要特征，对象属性值之间的等价关系被优势关系取代。此时，经典的粗糙集模型不再适用。因此，将经典的粗糙集理论进行扩充，使其能够应用于不完备序决策系统的知识约简和规则提取，已成为一个非常重要的研究课题。在深入阅读了大量相关的文献资料后，本文基于非对称相似关系模型和限制容差关系模型，提出了改进的粗糙集扩展模型—变精度相似关系模型，并通过理论和实例证明了该模型的合理性和可行性。为使该改进模型能够应用于不完备序决策信息系统的知识约简及规则获取，本文进一步将该模型与优势关系结合，建立了变精度相似优势关系模型，定义了相关的性质并给出了不完备序信息系统和不完备序决策系统中基于变精度相似优势关系模型的可辨识矩阵的求解方法。此外，本文引入了近似分布约简的概念并给出了不协调的不完备序决策信息系统的近似分布约简的求解方法。最后，设计并实现了变精度相似优势关系模型，利用该模型在UCI机器学习数据集上进行大量的实验，将实验结果与粗糙集理论的其他约简算法的实验结果进行对比分析，证明了本文提出的改进模型的优越性。