近年来随着机器学习与人工智能的迅猛发展,知识发现与智能计算已渗透到现代社会的各个领域。但日益增长的具有不确定、不完备性的复杂数据为人们解决数据分析处理和挖掘决策带来了严峻挑战。粗糙集理论作为人工智能基础理论,是数据分析与决策的数学工具,经过多年的发展与完善,大量成功应用实例表明该理论能够为人工智能的发展与完善提供理论依据。本文在覆盖粗糙集模型基础上,针对其不能有效处理双论域数据和直觉模糊数据的不足,提出了双论域覆盖多粒度粗糙集模型和覆盖多粒度双论域直觉模糊粗糙集模型,为进一步解决多源信息系统等并行数据处理问题。采用乐观、悲观等多粒度观点将该模型进一步泛化,得到了双论域覆盖多粒度粗糙集模型和覆盖多粒度双论域直觉模糊粗糙集模型。本文对以上两种模型结构和数学特性进行了深入分析与研究,得到了理论模型的相关性质和重要结论,利用粗糙熵、信息熵和模糊度等信息测度方法对两种模型进行了信息不确定性度量,得到了模型参数与信息不确定性度量之间的单调变化规律,为该模型应用于实际问题的规则获取与属性约简提供信息度量依据,并结合具体实例对以上模型进行了验证。本文提出的覆盖多粒度粗糙集及其扩展模型为人工智能理论发展与实际应用提供了理论依据,该类模型为人们对复杂环境数据建模提供了理论支撑和科学方法,在当前人工智能时代该模型及其扩展研究具有较高的理论价值。