粗糙集理论是一种处理含糊和不确定性信息的数学工具，其基本思想是在保持分类能力不变的情况下，通过知识约简导出概念的分类规则.经典粗糙集模型要求等价关系以及集合之间的完全包含关系，限制了它的实际应用，因此，模型的扩展研究具有重要实践意义.本文介绍了粗糙集的三种扩展模型，即用条件概率描述包含关系的概率粗糙集模型、用一般二元关系构造基本集的广义粗糙集模型和基于包含度的变精度粗糙集模型.这三种模型分别解决了具有统计特征的信息系统、基于非等价关系的决策以及系统中存在噪声等问题.　　 综合以上三种对经典粗糙集模型的扩展，本文定义了一种更广泛意义上的粗糙集模型一广义变精度概率粗糙集模型，并研究了它的性质.然后从决策信息系统出发，说明了如何用粗糙集方法进行属性约简和属性依赖性分析.　　 贝叶斯网络是一种重要的知识发现工具，变量间的依赖关系是确定网络结构的关键，从数据集中自动构建贝叶斯网络的结构学习算法已经成为目前的研究热点之一.分类器是一种较为经典而且应用广泛的贝叶斯网络模型.本文分别利用经典粗糙集和扩展粗糙集模型的属性分析方法建立贝叶斯网络分类器通过比较，说明利用扩展粗糙集属性分析方法建立的贝叶斯分类器是一种具有更好容错性和推广性的分类器模型.