现实中的数据往往分布在网络中的多个数据库中,传统的数据处理方法需要将数据进行集中才能进行有效处理,而这在实际问题中往往受到数据规模庞大、隐私保护等因素的限制。因此,如何在不进行数据集中的前提下对分布存储的数据进行有效地处理是当前数据挖掘中的一个热点问题。属性约简是数据挖掘中的一个重要研究内容,通过属性约简能够去除数据中冗余的或不重要的属性,加快后续数据处理过程。研究者们对集中式数据的属性约简进行了研究,并形成了比较完善的研究结果。以保持属性约简前后系统分类性能不变为前提,对于分布式符号型数据的属性约简问题,研究者已经提出了相应的理论和方法,但对于分布式连续值数据和分布式不完备数据的属性约简还有待研究。本文深入研究了分布式连续值数据和分布式不完备数据的属性约简问题,主要内容如下:1.研究了分布式连续值数据的属性约简。首先,给出了分布式连续值决策信息系统中邻域粗糙集的定义。然后,以保持分布式连续值决策信息系统的正域不变为前提,探讨了分布式连续值决策信息系统中属性的可约性,并提出了分布式连续值决策信息系统的属性约简算法。实验结果表明该算法能够有效去除分布式连续值数据中的冗余属性,使得约简后的分布式连续值数据的集成分类能力与约简前相差不大,甚至更高。2.研究了分布式不完备数据的属性约简。首先,基于容差关系和非对称相似关系给出了分布式不完备信息系统中粗糙集的定义。然后,以保持分布式不完备决策信息系统的正域不变为前提,探讨了分布式不完备决策信息系统中属性的可约性,并提出了分布式不完备决策信息系统的属性约简算法。实验结果表明该算法能够有效去除分布式不完备数据中的冗余属性,使得约简前后的分布式不完备数据的集成分类能力相差不大。并且,数据缺失率的改变对基于容差关系约简分布式不完备决策信息系统时产生的影响较大,对基于非对称相似关系约简时产生的影响较小。