粒计算的目的是建立一种体现人类问题求解特征的一般模型，其基本思想是在不同的粒度层次上进行问题求解。粒是粒计算的最基本的原语，它是一簇点(对象、物体)由于难以区别，或相似、或接近、或某种功能而结合在一起所构成的。从粒计算的角度来看，问题求解的商空间理论用拓扑来描述论域的结构、用等价关系来完成粒化，借助于自然映射实现在不同粒度层次上的转换。商空间理论作为一种问题求解的方法，有着坚实的理论基础，它采用多侧面、多角度的问题求解方法，可以在解决问题时缩小求解难度，降低计算量。商空间理论把定性的思维和定量的分析有机地统一起来，合理地对复杂问题进行粒度描述，把复杂问题分解为可求解的、不同粒度的学习规则，然后再合成相关的规则，最终得到复杂问题的综合规则。传统的基于距离或相似度的聚类算法一般都基于“特征矢量”的方法，这种方法并不适宜用来处理个体数据。往往由于进行了数据矢量转化操作而造成信息丢失，最终可能会导致聚类结果的不准确。覆盖方法最优之处在于覆盖领域完全真实地反映了样本的分布情况，本文中分析了覆盖算法中需要进一步研究的三个问题：第一个是对该算法识别的正确率与泛化能力之间矛盾的解决，第二个是如何改进覆盖方法，第三是如何提高泛化能力。基于商空间理论，作者提出了对于覆盖算法的改进思想，它能在基本保持分类能力的前提下，提高分类的速度和识别的精度。从对平面双螺旋线数据的实验结果可以看出，与交叉覆盖聚类算法对比，改进的算法的正确识别率显著提高，随着训练样本数据的增加，拒识率为0，若不计训练时间，那么改进的算法是可行的。作为一种正在兴起的智能计算方法，商空间理论和覆盖算法本身还有许多地方有待发展和完善。