近年来,人工智能和知识发现的发展迅速,计算机技术在各领域的应用日益增多。数据量剧增,并呈现高维度、多类别、结构复杂等特点,对这些数据进行处理和挖掘,从中获取有价值的知识具有重要的研究意义和应用价值。粗糙集理论作为一种有效处理和分析不完备和不确定性数据的数学工具,为数据挖掘的研究提供了良好的理论支撑。同时,代价敏感学习是数据挖掘领域中的十大具有挑战性问题之一,其主要目的是获得最小总代价的属性集合。因此,本文以代价敏感粗糙集为理论基础,针对应用领域中不同的数据类型,从测试代价和误分类代价的视角,提出了两种基于代价敏感学习的属性约简算法。第一、提出一种面向不完备邻域数据的代价敏感属性约简算法。由于代价敏感属性约简问题作为经典属性约简问题的自然扩展,其研究更具有现实应用意义。目前,代价敏感属性约简问题的研究主要是在完备决策表中处理名义型数据。但是实际应用中,由于信息的缺失和遗漏,导致数据呈现不完备性。为此,针对上述问题,本文基于特征的测试代价和决策的误分类代价,构造一种面向不完备邻域数据的属性约简算法。首先,算法计算不完备邻域数据的邻域粒度,根据新给出的基于测试代价和误分类代价的属性重要度的度量方法,然后,基于核属性的启发式策略求解出的属性约简结果;最后,通过理论分析和实例分析说明了算法的可行性和合理性。第二、提出了一种变精度下不完备混合数据的代价敏感属性约简算法。由于在实际应用领域中多种数据类型并存,同时获取数据需要付出一定的成本和代价。为此,在代价敏感学习下研究不完备混合数据的属性约简显得尤为重要,为了解决这个问题,引入了变精度粗糙集模型,提出一种基于代价敏感的变精度不完备混合数据属性约简算法,首先,根据阈值和可变精度求出全局下的邻域粒度和正域,并求出每个属性下的正域,然后根据新定义的基于测试代价和误分类代价属性度量方法,求解出属性的重要性,通过基于贪心搜索策略的属性约简算法计算出约简结果。最后通过实例分析和实验对比,相比没考虑代价的算法,该算法能获得低总代价的属性约简结果,进一步说明算法的有效性。最后,对本文的算法和理论知识作出了全面的总结和展望。