分类研究作为机器学习、模式识别和数据挖掘等领域最主要的研究任务,一直受到学术界、工业界的持续广泛的关注。大数据时代的到来,更是为分类研究带来了前所未有的机遇与挑战。随着粗糙集技术,特别是邻域覆盖粗糙集技术的不断发展和完善,大量相关算法被相继提出。特别是基于覆盖约简的分类方法,已成为当前的研究热点。本文就基于代表的邻域覆盖粗糙集分类算法,重点研究了不同相似度计算方法以及不同冲突解决机制对其分类性能的影响;同时根据算法特点设计出与之对应的五种主动学习策略,使改造后的算法能应用在主动学习的任务场景中。首先,本文重现了一种覆盖约简算法——基于代表的邻域覆盖粗糙集分类算法,并详细介绍了该算法在训练和测试阶段的工作原理。然后,本文对比了 Overlap,Eskin,OF,IOF,Gooda113和Gooda114六种不同相似度计算方法,在训练阶段对分类精度的影响。因为名词型数据的相似度计算方法与数值型数据的不同,它们会考虑值域空间以及分布规律等其他信息。所以研究不同相似度计算方法下的算法分类性能尤为重要。实验发现,Overlap和IOF相似度明显更适用于原算法。另外,本文还提出相似度模型、支持度模型、密度模型和属性权重模型四种冲突解决模型,研究了它们在测试阶段对分类精度的影响。原算法在测试阶段,特别是数据采样不均时,采用标准投票处理分类冲突的方法存在较大误分类风险。而本文提出的四种模型便能有效应对这类情况的发生。实验证明,原算法采用属性权重模型后能有效提高分类精度。最后,本文提出了基于代表性和基于不确定性的五种主动学习策略,设计出基于代表的邻域覆盖粗糙集主动学习算法。算法能根据当前己标记和未标记样本的信息,主动获取部分未标记样本的决策信息,从而不断更新分类器,不断加强分类能力。实验首先对本文提出的五种主动学策略进行对比,然后选择分类性能最好的学习策略与经典的AL-ID3,AL-Bayes和AL-kNN算法进行对比,验证了本文提出的基于异质QBC主动学习算法能在分类精度方面取得更好的结果。