随着科技的发展和大数据时代的到来,数据量飞速增长,为人类带来丰富的数据资源,但是这些数据中也会存在大量的冗余信息,使得数据的分析与处理面临诸多挑战。为此,研究如何从数据中提取有效信息的数据挖掘技术成为一个具有重要研究方向。作为知识获取和数据挖掘的重要工具,粗糙集一直受到广泛的关注。属性约简是粗糙集理论的核心内容之一,它可以在保持信息系统分类能力不变的条件下去除冗余和不相关属性,提高分类精度。多粒度是粒计算领域的重要研究方向,它可以在多个不同的粒度下进行问题求解,得到更加满意、合理的结果。多粒度计算为复杂问题的求解提供一种新的范式。因此,本文从多粒度角度出发对属性约简算法开展研究,主要工作分为以下两个部分:(1)针对符号型数据构成的信息系统,在经典粗糙集背景下,研究基于区分矩阵的多粒度属性约简算法。首先利用属性关于决策的依赖度对属性进行粒化。然后基于区分矩阵定义了属性粒和属性粒中属性的重要度。属性粒的重要度用来衡量粒整体的重要程度,属性粒中属性重要度用来度量粒内属性的重要程度。最后,利用这两种重要度评价指标设计了一种多粒度属性约简算法,并通过实验验证了算法的有效性。(2)针对数值型数据构成的信息系统,在模糊邻域粗糙集背景下,研究基于区分矩阵的多粒度属性约简算法。首先通过斯皮尔曼公式计算属性之间的相关性,接着用谱聚类对属性进行聚类,实现了属性粒化。其次,面向模糊邻域粗糙集分别定义了属性意义下和正域意义下的区分矩阵,并以此为依据,定义了属性粒和属性粒中属性的重要度评价指标。然后,利用这两种评价指标设计了一种属性约简算法。实验结果表明多粒度属性约简算法的有效性。