粗糙集理论是波兰学者Z.Pawlak于1982年提出的一种能够有效处理不精确和不确定信息的数学工具。该理论把知识看作是不可分辨关系,并引入上、下近似的概念来刻画知识的不确定程度。经典粗糙集中上、下近似集由等价类与概念类的代数包含关系定义,在此基础上进一步定义了正域、负域和边界域的概念,但是缺乏对这些概念的语义解释。决策粗糙集模型是经典粗糙集模型的概率推广,将经典粗糙集模型中的代数包含关系拓展为可调的概率包含关系。三支决策(Three-way Decision)是决策粗糙集在方法论层次上的进一步提升,基于符合人类认知的决策模式,给出了粗糙集正域、负域和边界域的三支决策语义解释。它认为：人们在实际决策过程中,对于具有充分把握接受或拒绝的事物能够立即做出快速的判断；对于那些不能立即做出决策的事物,人们往往会推迟对事件的判断,即：延迟决策。因此,三支决策模型将边界域看作是一种延迟决策,从而减少了错误拒绝或错误接受造成的损失,符合人们在决策过程中的思维习惯,具有很大的优越性。目前,三支决策理论已成功应用在多个领域中,如医疗系统、风险投资、教学评价等领域。但是现有的三支决策存在以下两个问题：1)大多数的研究与应用都是假设两类分类问题存在,然而在真实决策中这种假设并不合理。因此必须考虑多类分类问题。如医生诊断病人时并不仅仅是判断病人是否患有感冒,而是希望能够判断病人是患感冒,还是患肺炎,或其他疾病。2)大多数研究只是针对一个决策目标,即单目标决策,然而在实际应用中存在很多多目标决策的问题。为此本文基于决策粗糙集,改善了多类分类模型与多目标决策,主要研究内容如下：(1)基于决策粗糙集模型,借鉴三支决策的思想,通过增加延迟决策类,将m个多类分类问题变为m+1个多类分类问题,提出一种新的基于决策粗糙集的代价敏感的多类分类模型。该模型根据最小风险贝叶斯决策准则,既考虑了不同决策类的误分类代价是不同的,即具有代价敏感性,又使得最终的决策结果不存在冲突,并用实例与实验验证了该模型的有效性。在该模型的基础上,给出了分布式约简算法。(2)基于单目标三支决策,借鉴多粒度粗糙集模型中乐观与悲观的概念,定义了双目标条件下的乐观与悲观决策。最终通过加权代价函数,并运用贝叶斯风险决策提出了基于三支决策的多目标风险决策模型,并给出相应的决策规则。同时在多目标决策的基础上讨论了双目标决策的决策域的划分,给出了双目标决策域的计算方法。最后,用实例验证了该模型的有效性。