粗糙集理论是一种处理模糊性和不确定性信息的新的数学理论方法。近年来，粗糙集理论受到许多学者的关注，特别是知识获取和人工智能领域的学者。目前，粗糙集理论已成功应用于模式识别、决策控制、专家系统、数据挖掘、图像处理和医疗诊断等领域。　　 本文分别对不完备信息系统扩充粗糙集模型和不确定性度量进行了研究：　　 (1)经典粗糙集理论不能直接处理不完备信息系统，而容差关系、相似关系，限制容差关系和完备容差关系等扩充粗糙集模型在一定程度上解决了这个问题。本文分析了这些模型存在的局限性，并在完备容差关系的基础上，提出了基于改进的完备容差关系的扩充粗糙集模型，该模型既保留了已有模型的优点，又在一定程度上克服了它们的局限性。实例分析表明该模型对不完备信息系统的处理更符合实际情况。　　 (2)粗糙熵和组合熵可以用来度量不完备信息系统的不确定性。但我们经过分析发现属性值缺失程度不同的不完备信息系统有可能会得到相同的粗糙熵和组合熵，这时，如果直接应用粗糙熵或组合熵来度量不完备信息系统的不确定性，就存在一定的局限性，因为粗糙熵和组合熵只考虑了不完备信息系统中由于知识粒度引起的不确定性，而没有考虑由于属性值缺失所引起的不确定性。针对这个问题，本文结合不完备信息系统的不完备度，提出了一种基于不完备度的粗糙熵与组合熵，并讨论了其相关性质。实例分析表明基于不完备度的粗糙熵与组合熵能够更加精确地度量不完备信息系统的不确定性。