Rough集理论是一种处理模糊性和不确定性信息的新的数学理论方法。近年来,该理论受到众多研究人员的关注,已成功应用于知识发现、机器学习、智能信息处理、决策支持系统、数据挖掘和模式识别等领域。经典Rough集理论主要是针对完备信息系统,要求所处理的信息系统中不存在未知属性值或遗漏属性值,利用不可分辨关系来对对象进行上近似和下近似分类。然而,在现实中信息不完备的现象广泛存在,使得信息系统中对象间的关系不一定是等价关系,从而限制了经典Rough集理论在这些实际问题中的应用。因此,探索基于Rough集的不完备信息系统知识获取理论与方法成为当前的一个重要研究内容。　　 为了直接处理不完备信息系统,需要对经典Rough集理论进行扩充。容差关系模型、非对称相似关系模型、量化容差关系模型和限制容差关系模型等都是经典Rough集理论的扩充模型,但是这些模型还存在一些局限性。本文对上述扩充Rough集模型的局限性进行了深入剖析,并结合自主式学习的思想,提出了一种基于自动阈值选取的不完备信息系统处理方法,讨论了阈值的选取方法,并将该模型与已有扩充Rough模型进行了比较分析。通过本文中定义的阈值计算公式,不同的不完备信息系统会得到不同的阈值,从而得到不同的分类,说明了基于自动阈值选取的改进容差关系模型是一种自适应性模型。基于自动阈值选取的改进容差关系不仅保留了容差关系和限制容差关系的优点,又丢弃了容差关系、非对称相似关系、量化容差关系和限制容差关系存在的不足,是一种更加灵活、更加合理的不完备信息系统的相似关系。通过仿真实验验证了该模型的有效性。