随着我国光伏制造业的迅速发展,多晶硅电池凭借其较高的性价比一直占据着光伏市场的主导地位。多晶硅的少子寿命值是保证多晶硅电池性能的关键因素,而少子寿命值主要取决于多晶硅的生产工艺和配料种类。目前我国已经有了相对成熟的多晶硅生产工艺流程,所以对最终少子寿命值影响较大的是生产所使用的配料种类,有效合理的配料种类可以达到节省成本和提高少子寿命值的目的。但是随着数据量的不断增加,对多晶硅配料数据的处理过程往往伴随着巨大冗余属性和时间消耗。因此如何快速有效的获取数据中的潜在信息成为了当前研究的一个热点。粗糙集是一种有效的数据信息处理工具,能够从海量数据中高效的提取出我们所需要的信息,已经在工业领域得到广泛应用。但传统粗糙集只能处理离散型数据,无法直接处理连续型的多晶硅配料数据。为解决此问题邻域粗糙集被提出,可以不需进行离散化处理,直接用于连续型数据。而传统邻域粗糙集在对工业数据进行分析时,仍存在计算结果不准确、算法复杂度过高等问题。为提高属性约简质量及减少算法运行时间,本文从以下四个方面对其进行改进:（1）传统的邻域粗糙集只将条件属性进行邻域粒化处理,对于连续型数据的决策属性,仍将其看作等价类别处理,这将产生过拟合现象。本文将邻域粒化概念引入决策属性中,通过对每个决策点进行邻域划分,将每个区域内的所有点看作一个类别来进行计算。这样既解决了过拟合问题,又提高了计算结果的可靠性。（2）由于传统邻域粗糙集对下近似的判别依赖严格的包含关系,使属性约简结果过于依赖由邻域半径所划分的邻域,这导致所有被正确分类的邻域无法全部为决策做出贡献。针对此问题,在交叉关系基础上,提出了新的下近似计算方法,并将其定义为下近似贡献度,提高了下近似计算的容错性。本文采用4组UCI数据及2组多晶硅配料数据进行实验,结果表明,新的下近似计算方法可以得到更高的邻域近似质量,提高了属性约简的可靠性。（3）传统邻域粗糙集的重要度权重阈值一般为固定值,使某些属性重要度很低,但重要度权重却大于该固定阈值的属性,被归为核属性。而这些重要度低的核属性对决策的划分几乎无影响。针对此问题,提出了自适应-β重要度权重阈值方法,在属性重要度计算结果基础上,将每个属性权重从大到小排列,首先取属性权重最小的作为重要度权重阈值,通过提出的评价函数计算其评价值,以此类推,最终选取评价值最高的阈值,作为最终结果。在4组UCI和2组多晶硅配料数据上实验,其结果表明,该方法可以得到更高的约简率和分类精度,提高了工业数据分析的准确性。（4）传统邻域粗糙集邻域半径一般采用经验值或者反复实验来获得,降低了工业数据分析的自动化程度。本文采用邻域粗糙集-支持向量机（Neighborhood rough setssupport vector machines,NRS-SVM）模型,对多晶硅数据进行属性约简及预测。针对该模型在处理多晶硅铸锭配料的连续型数据中邻域半径和SVM参数的取值问题,提出将NRS-SVM模型与遗传算法（Genetic algorithm,GA）相结合的两阶段遗传算法。该算法的第一阶段通过搜索新的邻域半径来得到较好的约简集合,第二阶段采用第一阶段属性约简结果,通过搜索新的SVM参数来训练出准确率较高的分类模型,算法根据每个阶段的目的提出了相应的适应度函数及终止条件,该方法的显著特点是实现了NRS-SVM自动化特征提取及分类预测,并将两个阶段单独进行,避免了通过分类器来评价约简性能所带来的时间消耗。在多晶硅铸锭配料数据集上进行实验,结果表明,与一阶段遗传算法相比,该方法运行时间短,输出结果稳定,可得到较少的特征和较高的分类精度。