粗糙集是一种刻画不完整和不确定性问题的数学工具,其不需要任何先验知识对数据进行分析和处理。面对如今高速的信息时代中海量数据的形成,粗糙集在分析处理数据中发挥了重要的作用。属性约简作为粗糙集理论研究的重要内容之一,其核心思想就是保证知识库的分类能力不变的前提下,删除冗余、错误或者不需要的知识。而代价敏感学习是目前机器学习、数据挖掘等领域研究热点之一,代价包括测试代价、误分类代价、计算代价和获取样本的代价等,其目的是以最小代价为目标建立分类器。将代价敏感学习引入粗糙集理论中的属性约简问题值得深入研究,目前将误分类代价引入粗糙集理论中的相关研究取得了不错的研究的成果,而测试代价敏感粗糙集理论的相关研究近几年才开始发展。本文主要研究测试代价敏感粗糙集中属性约简问题,分别以完备决策表和不完备决策表作为研究对象,主要的研究工作有以下几个方面。(1)为了解决测试代价敏感属性约简的高效性和准确性问题,提出一种基于免疫量子粒子群优化的最小测试代价属性约简算法。依据条件信息熵和测试代价因素定义适当的适应值函数,将最小测试代价属性约简问题转化为0-1组合优化问题,提出最小属性的属性约简问题是一种具有特殊测试代价的最小测试代价属性约简问题。最后结合量子粒子群和人工免疫方法给出约简算法,实验分别对比已有的最小属性约简算法和测试代价敏感属性约简算法,实验结果表明该算法是有效可行的。(2)在不完备决策表中,给出高效的计算容差类算法。提出不一致对象概念,研究不一致对象的性质,根据其性质给出在不一致对象下的核属性和属性约简的定义并设计求核属性算法。提出一个新的属性重要性定义,最后依据新的属性重要性定义设计一个最坏情况下时间复杂度和空间复杂度分别为O(k|C|2|U|)和O(|U|)的启发式属性约简算法,其中k为条件属性中缺省对象所产生的容差类最大的个数。算法过程只需逐步要求容差类的基数,大大减少了算法的计算过程。最后通过理论分析、实例分析和实验分析说明该算法是高效和可行性的属性约简算法,并且该算法同时适用于不一致不完备决策表和一致不完备决策表,给不完备决策表属性约简算法提供了新的方法。(3)提出不完备决策表测试代价敏感属性约简问题,给出不一致对象集定义以及求解不一致对象集的算法。根据不一致对象的性质改进属性重要性定义,考虑测试代价因素以及不一致对象个数的改变量给出一个新的属性重要性的定义和属性重要性中权重的设置方法,并给出属性重要性的计算算法。在此基础上,给出一个时间复杂度O(k|C|2|U|)和空间复杂度为O(|U|)启发式属性约简算法,其中k为条件属性中缺省对象所产生的容差类最大的个数,并通过理论分析、实例分析和实验分析说明该算法准确性和可行性。