经典粗糙集理论处理信息系统中的数据是精确的和不缺损的。如今面对日益复杂和动态变化的数据,信息系统中的数据往往是不完备的,经典粗糙集理论方法已经不能满足实际需求。然而特性关系粗糙集模型凭借其同时处理丢失数据和不关心数据的优势,可为不完备信息系统中的数据挖掘技术的改进提供了强有力的理论支撑。本文对特性关系粗糙集模型中若干关键问题进行了研究。首先,在特性关系粗糙集模型下讨论了基于区分矩阵、信息熵、粒度等知识约简算法,并给出相关的实例来验证了算法的可行性；同时分别讨论了在特性关系粗糙集模型下信息熵与知识粒度之间的关系和信息熵知识约简与粒度知识约简的等价性。其次,通常情况下,当信息系统动态变化时,对象的近似集会产生相应的变化。本文只考虑信息系统属性值动态变化的情况。运用粒度的思想,给出了不完备信息系统中属性值粗化细化的定义,讨论了在不完备信息系统下的特性关系粗糙集模型中属性值粗化细化时近似集的增量更新方法,并通过实例验证了该方法的有效性。最后,通过将特性关系分别与容差关系、非对称相似关系的分析比较,发现了特性关系也存在一些不足。由此本文给出了A、B和C三种新型特性关系,能较为有效地解决这些不足。并将特性关系与A、B和C三种新型特性关系下的近似集的变化范围进行了比较分析。同时给出相关的定理,再用实例验证了定理的正确性。