三支概念分析是将三支决策思想与形式概念分析相结合进行知识表示和知识发现的重要理论。属性导出三支概念格和对象导出三支概念格是三支概念分析中的核心数据分析工具,它们相比经典概念格包含更多的信息。然而,构造三支概念格的时间复杂度高,空间占用率大。随着大数据时代的到来,各个领域都要面对海量的、多维的、模糊的、动态的复杂数据,三支概念分析处理这类复杂数据将会耗费大量的时间资源和空间资源。研究三支概念格的聚类压缩模型以及三支粒概念的动态更新方法可以节约大量的时间和空间资源,降低系统计算复杂度,同时也方便了决策者更清楚地做出决策。首先,为了对模糊形式概念格进行压缩处理,本文基于模糊集合理论与形式概念分析定义了模糊概念间的距离公式并利用改进K-Means聚类与T-删除变换对模糊概念格进行聚类与压缩。然后,结合三支决策思想,利用负域、边界域、正域的关系,通过三支概念信息系统得到概念相似度,提出了一种改进K-Modes聚类算法与K-删除变换完成三支概念压缩。最后,利用增量学习技术以及粒计算思想来求解在动态形式背景下三支粒概念的更新规律,并提出三支粒概念的动态更新算法。本文的主要创新点描述如下:1.基于模糊形式背景,引入模糊概念的基数,定义出模糊形式概念的距离公式,利用该距离来对模糊信息系统中的模糊概念进行聚类,从而建立模糊概念格聚类压缩模型,研究其基本性质。另外,通过改变聚类个数以及变更数据集,研究了模糊概念格的压缩效果、时间消耗与聚类个数、数据集大小的关系。2.对于模糊的形式背景,可以利用阈值将其转化为经典形式背景。利用三支决策的特性以及对象在两个概念的不同域,本文定义了两个对象之间距离。逐个比较每一个对象的相似度,即可得到两个属性导出三支概念间的相似度与差异度。同时,利用最小距离原则并改进聚类中心更新方法对属性导出三支概念进行聚类压缩。然后,利用平均半径验证了改进后的聚类压缩方法的优越性。最后,研究了原背景与压缩背景以及原概念格与压缩概念格之间的关系。3.在经典形式背景下,当对象或者属性变化时,不但属性导出三支粒概念的数量会改变,而且同一个属性导出的三支概念也会随之改变。本文提出了三支粒概念的动态更新方法并与静态更新方法进行比较,通过实验分析验证了动态更新算法的优越性与有效性。