粗糙集是一种处理模糊和不确定数据的数学工具,已在人工智能和数据挖掘,模式识别与分类,故障监测等方面得到了良好的应用。属性约简是粗糙集理论研究的一个重要内容,是在保持分类精度不变的前提下,删除冗余的属性的过程。而寻求如何有效和快速地从那些尺寸庞大和复杂多样的数据集合中提取特征子集已经成为属性约简研究的一个重要问题。本文对基于扩展粗糙集的属性约简进行了研究,主要工作有:1.提出了一种属性约简的快速算法FFGAR,利用等价类的包含性质和分支定界思想,将该算法中计算等价类的时间复杂度降为O(|A‖U|);利用正区域和属性个数的单调关系,减少论域的搜索空间,将约简算法的时间复杂度降为O(|A|~2|U|)。2.针对以属性依赖度为度量的算法在处理某些数据应用时找不到任何特征子集的问题,构造了前向贪婪搜索约简算法GARBC。该算法以一致性取代依赖性作为属性重要性的度量,由于一致性是对正区域的扩展,使得多余属性和相对约简的概念扩展了。3.经典粗糙集理论是以严格的不可区分关系为基础的,在处理连续型属性时往往要经过离散化处理。本文引入实数空间上的邻域系统,给出了一个混合属性粗糙集模型,扩展了经典粗糙集理论的不可区分关系,构造了基于混合一致性度量的约简算法ARBMC。4.在UCI数据集合上将算法FFGAR与现存算法进行比较,结果验证了算法在计算效率上的有效性;将算法GARBC与传统算法进行比较,结果验证了算法能够有效处理不一致信息系统;将算法ARBMC与离散化方法进行比较,结果表明了该算法在获得较少特征属性的同时能够保持或提高系统的分类能力。在大坝安全监测系统中进行应用上述算法,能够有效地简化系统对测量数据进行的复杂计算,提高系统的运行效率和预报监测精度,是可行和有效的。