粒计算（Granular Computing）是近年来智能研究领域中的一门新兴学科，是解决复杂问题和模拟人类思维的一种新方法。众多学者对该问题的兴趣以及各方面研究成果的出现，使得对其的研究成为一个崭新的热点课题。正因为如此，不同的学者从不同的角度出发，对粒计算展开研究，一些研究成果着重于计算机等方面的应用，另一些成果则着重于理论方面的探讨。研究时所采用的数学方法也不尽相同，比如逻辑方法、代数方法、拓扑方法或概率方法等。粒计算研究主要有三大理论模型：模糊集理论模型、粗糙集理论模型、商空间理论模型。这些模型解决问题的初衷和方法不尽相同，各具特色。其中它们的共同点是：问题空间的结构化处理，即将复杂问题细小化，建立相应的分层结构，再根据这个分层结构在不同粒化程度上进行问题求解。本文分析了粒计算理论发展历程，以已有理论为基础，以分层结构为主线，构建问题空间的层次结构，进一步结合上近似理论，使上近似蕴含的近似信息得到延展。取得了如下成果：（1）在信息系统中引入n阶粒划分的概念，并在此基础上定义和研究相关内容，通过对n阶粒划分的引入，使信息系统产生不同程度的粒化，且使其随着n阶粒划分的变化而变化，呈现不同的粒化形式。（2）将n阶粒划分与上近似相结合，使上近似在不同阶粒划分中所蕴含的隐含信息得到展现，从而确定了一种隐含数据的识别方法，通过调整论域对象的排列顺序，使得数据隐含与数据识别更具灵活性，达到了相同数据隐含及识别的多样性目的。并通过实例使其得到验证，为实际问题的处理提供了途径，扩展了粒计算的应用领域。（3）扩充传统近似空间的结构得到T-型近似空间，并在此基础上讨论相关性质和结论，展开对近似空间的进一步研究。（4）将上近似引入T-型近似空间，引出不精确推理的推理模式，并对其相关特性进行研究，进一步挖掘上近似所蕴含的近似信息。通过实例验证T-型近似空间中的不精确推理为某些实际问题的处理构造了实用的数学模型，提供了可供参考的处理方法。