粗糙集理论作为一种有效的智能信息处理方法,主要用于知识发现、决策分析和数据挖掘等领域。随着其研究的不断深入,学者们提出了众多粗糙集拓展模型。其中,邻域粗糙集模型以及模糊粗糙集模型得到了十分广泛的应用。邻域粗糙集模型在处理不确定性问题中具有较大的优势;模糊粗糙集模型使得粗糙集理论应对模糊性问题时拥有了较好的处理能力。无论何种模型,属性约简在粗糙集领域中仍然是研究的关键问题之一,目的是在不影响分类性能的前提下剔除冗余的条件属性。然而,传统的求取约简的方法通常是选取单一的指标作为度量准则,这不仅很难取得较为满意的稳定性,而且所选取的属性子集也未必是最优属性子集。针对以上研究问题,本文将从属性约简中的多准则角度出发开展该研究工作。主要研究内容如下:(1)为了对符号型和数值型属性共存的邻域信息系统进行属性约简,从信息论的视角出发,定义邻域信息系统中的邻域条件熵。同时考虑知识不确定性和集合不确定性对属性重要度度量的影响,结合邻域条件熵和近似质量,定义了一种新的属性重要度度量,并将其作为属性约简的准则。实验结果表明,所提出的新约简不仅能够在保持近似质量不减少的前提下,有效的降低邻域条件熵;而且可以有效的提升邻域分类器的精度。(2)借助邻域粗糙集模型,提出了一种邻域决策错误率集成的属性约简新策略。由于集成策略是一种提高特征选择稳定性的有效技术,因此,设计了一种集成启发式算法求取约简,即使用一组属性重要度函数代替传统的单个属性重要函数。实验结果展示,集成方法可以在有效提升邻域分类器分类精度的同时,取得较高的约简稳定性和分类稳定性。为了验证该方法在模糊粗糙集模型下同样有效,将四种不同的模糊粗糙分类器作为第三方分类器进行实验,同样得到了较高的分类精度。(3)在模糊粗糙集模型中,通过借助联合分布矩阵,得到分类一致性;进而将分类一致性与分类精度的调和平均作为求解模糊粗糙集属性约简的准则,并给出了求解属性约简的新的启发式算法。实验结果显示,调和平均方法求取约简,在一定程度上提升分类一致性与分类精度的前提下,能够得到较高的约简稳定性。