粗糙集理论提供了有效的数学方法，并且它在实际生活中也有应用，利用此理论处理的主要问题包括数据库中的数据约简，数据相关性，相似性及差异性的发现。本文将属性约简做一归纳整理，得到共性与特点，可以将此方法应用到经典粗糙集的一些推广模型，这将为深入研究粗糙集理论提供重要的理论价值，扩展了经典粗糙集的应用范围。但粗糙集也有限制，例如对噪声数据的敏感性，因此将粗糙集和其它智能方法结合研究已经成为热点。神经网络是神经元广泛地互相连接而形成的复杂的网络系统。本文将介绍粗糙集与神经网络的结合研究。由于粗糙集与神经网络自身的特点，它们已有大量的方法来实现一个综合的方式。从国内外的研究结果来看，粗糙集与神经网络的结合主要有以下几个典型的方法：（1）粗糙集作为神经网络的前端处理器，这是最普遍的方式。（2）粗糙神经网络。（3）用粗糙集理论来构建神经网络。本文主要内容如下：1.研究了粗糙模糊集和模糊粗糙集的关系；将粗糙模糊集推广至广义空间中，并证明了广义粗糙模糊集的上下近似之间的关系；并研究了在广义近似空间上，粗糙隶属函数的性质并做了相应的证明。2.对模糊粗糙集做了两方面重要的拓展：一是将模糊粗糙集拓展到直觉模糊环境下，在直觉模糊粗糙集中引入了截集的概念，研究截集粗糙集一些重要的性质；接着提出一种直觉模糊相似关系，在这个相似关系下，应用了粗糙集经典属性约简算法，通过实例证明，常见的属性约简算法可适用到新提出的粗糙集中，扩展了经典粗糙集的应用范围。二将变精度粗糙集拓展到模糊环境下，形成了一种变精度模糊粗糙集；并研究了这一变精度模糊粗糙集与第一部分研究的模糊粗糙集的关系，并做了相应的证明；并提出了基于精度近似属性约简算法，近似属性约简算法，用实例验证了此算法的有效性。3.总结了神经网络与粗糙集结合的研究现状及结合的主要方式，接着通过一个实例来说明两者结合大大简化了神经网络的结构，缩短了训练时间，两者的结合是很有意义的。