粗糙集理论是波兰学者Pawlak提出的一种处理不确定知识的数学工具，该工具能够很好的对符号数据进行如属性约简、规则提取等分析，并在人工智能、机器学习与数据挖掘领域取得了成功的应用。由于传统的粗糙集只能处理等价关系，因此在面对现实中的复杂数据时比较困难。为了解决这一问题，学者们提出了很多推广的粗糙集模型，其中包括:覆盖粗糙集、基于相似关系的粗糙集、模糊粗糙集等。　　模糊粗糙集是粗糙集最常用的泛化模型之一，然而由于模糊集中的隶属函数难以有效的精确确定，一些更广泛的模型如二型模糊集被用来解决这一问题。不同于传统模糊集，二型模糊集以一个模糊集为隶属函数，因此拥有更高层次的模糊性，通过将二型模糊集与粗糙集理论相结合，就得到了二型模糊粗糙集。　　本文的贡献主要包括理论和实验两个方面:　　区间二型模糊粗糙集是一种特殊的二型模糊粗糙集，由于相关的研究尚且处于起步阶段。本文从多个角度对该模型的理论部分进行了研究:首先，本文从最基本的上下近似出发，对模型的性质进行研究，证明了我们提出的泛化模型和传统粗糙集模型一样拥有一些优美的数学性质;然后，本文提出了区间二型模糊粗糙集上的判别矩阵，并通过我们定义的判别矩阵导出判别函数对区间二型模糊信息系统进行约简;最后我们从熵和粒度结构的角度对模型的不确定性度量进行了研究，将传统粗糙集上的两对熵和粒度的不确定性度量首次推广到区间二型模糊粗糙集上，并证明了这些推广的度量拥有一定的偏序关系，满足对区间二型模糊关系R的单调性。　　除了理论研究外，本文的最后还包括了一些在实例数据上的实验分析:(1)我们研究了区间值数据的属性约简问题，通过将区间值数据转化为一个区间二型模糊粗糙集模型，以前文提出的判别矩阵和熵度量对为基础，我们提出了2种启发式的属性约简算法并进行了测试;(2)本文研究了基础区间二型模糊粗糙集的图像边缘检测算法，并与传统的边缘检测算法进行对比，验证了算法的有效性。