粒计算是信息科学和计算机科学中的一个非常活跃的研究主题,其主要目的是在不同粒层结构上对问题进行求解。粒计算对问题求解具有多层次、多角度的特点。其基本思想是在问题求解过程中使用信息粒,从不用角度、不同层次上对问题进行描述、推理与求解,在很大程度上能够体现问题求解中的智能。粗糙集方法是一种很高效的粒化算法,但是在属性值为连续值时往往无法处理。虽然可以离散化之后处理,可是也存在着离散化后使信息丢失的问题,所以本文提出用模糊粗糙集来代替粗糙集来进行粒化。由于模糊粗糙集的粒化算法是一种全监督的粒化,同时又是一种硬的划分,所以接下来考虑无监督的粒化。超盒粒化是一种很好的粒化方式,它存在着参数选择影响粒化结果的问题,所以针对这一问题,我们将超盒的结果作为数据粒进行聚类,提出一种基于超盒的模糊聚类算法。首先,提出不一致粒层的模糊粗糙集的粒化方法。由于传统的粒化方法在一致的粒层上进行粒化,粒层过粗或者过细可能会导致问题求解失败。本文利用属性重要度信息生成一个递增的属性子集序列,进而诱导出一系列相应的模糊关系,进而在多个模糊二元关系下分别考虑决策类的模糊粗糙集。由于模糊下近似中对象蕴含着某种相似性,本文认为下近似隶属度大于某个阈值的对象可生成一个信息粒。利用每一个模糊二元关系生成的信息粒来更新论域,进而诱导出一系列的信息粒。接下来,加入粒信息对数据进行聚类并通过聚类结果证明了我们提出的粒化算法的有效性。其次,针对超盒存在着参数选择影响粒化结果的问题,提出了一种基于超盒的模糊聚类算法(简称BFCM)。并通过MATLAB进行编程实验,观察实验结果可以看出,新的算法有效的解决了参数影响的问题。