随着社会经济的飞速发展，人们面临的生产系统工况日益复杂，要求也日益提高，控制系统往往具有多变量、非线性、强耦合、工况范围广、控制性能综合要求高等特点，因此对复杂动态系统的建模提出了更高的要求。波兰科学家Z．Pawlak提出的粗糙集理论对于处理不精确、不确定、不完整的信息和知识是一种非常有效的新的数学工具。而RBF网络是近年来发展起来的一种优良的前向网络，其结构简单，训练快捷，可以逼近任意非线性函数成为一种新的用于系统建模的工具。但对于复杂系统，用神经网络建立模型，初始的训练样本难以保证知识的完整性和有效性，往往存在着冗余和噪声，以致造成网络的结构庞大，训练困难，难以达到要求的精度。粗糙集理论与神经网络具有很好的互补性，两者的集成已受到国内外学者越来越多的关注，为处理不确定、不完整信息提供了一条强有力的途径。 本文主要研究基于粗糙集和RBF网络集成技术的复杂非线性系统的动态建模方法，并进行了仿真研究。主要研究内容包括： ● 连续属性离散化方法 由于粗糙集方法处理的对象是离散数据，不能直接处理连续属性数据，这一缺陷大大限制了粗糙集理论的应用范围，因而连续属性的离散化成为粗糙集理论的主要问题之一。对于传统的方法，大多处理的是条件属性为连续值型而决策属性为离散值型的情况，因此，无法直接应用于复杂连续系统的建模。针对这种情况，本文研究了一类条件和决策的属性值均为分布较为紧密且连续变化的决策表的离散化问题；根据决策表的特征将条件和决策属性分别进行离散化。提出了一种基于微粒群优化(PSO)算法的连续属性离散化方法，很好的解决了建模过程中连续属性的离散化问题。 ● 属性求核和约简的算法 在深入研究粗糙集理论的基础上，发现了正区域的一些有用性质，提出了一种基于正区域的直接求核方法，并给出了两个利用正区域求取属性约简的算法。 ● 利用粗糙集构造RBF网络 利用粗糙集理论数据处理的优势，从训练数据中提取出确定的规则，每一条规则便代表了这批数据中一个确定的类，把规则的条件部分看作输入，结论部分看作输出，每条规则便可以作为初始数据中一个确定的输入输出对。本文在深入分析RBF基函数特性和网络结构的基础上，利用粗糙集理论来选择RBF网络的中心向量，提出了一种利用粗糙集理论来构造RBF网络的方法。.粗糙集与RBF网络集成动态建模方法 根据粗糙集理论与RBF网络各自的突出优点以及两者之间的互补性，提出了一种基于粗糙集理论与RBF神经网络集成技术的动态建模方法，详细介绍了建模的过程。仿真结果验证了该方法的有效性。