粗糙集理论是波兰学者Pawlak于二十世纪八十年代提出的一种能有效处理不完备性和不确定性的新型数学工具,并且在各个研究领域中得到了广泛的应用。但现有的经典粗糙集理论在处理不确定性数据和数值型数据方面存在缺陷,不利于噪声数据的处理和保持数值型数据内部结构的完整性。因此,为了解决上述问题,基于粗糙集模型扩展研究成为了国内外学者的研究热点。本文主要从经典粗糙集的两个拓展模型:决策理论粗糙集模型和邻域粗糙集模型进行研究,并对其相应的特征选择算法进行改进,旨在在不改变分类机制的基础上,使分类精度更精确。本文的主要研究内容如下:(1)本文针对决策理论粗糙集模型中正区域不能随属性增加而单调变化的问题。首先根据贝叶斯决策理论引入决策规则,来确定对象是否属于正区域。然后再此基础上提出新的定义,即约简集的正区域必须不低于属性全集的正区域。最后,结合启发式搜索策略提出了一种新的特征选择算法。通过对比实验分析结果得出该算法能满足正区域的最大化,具有更高的分类精度,从而提高了算法的效率。(2)虽然改进的正区域特征选择算法取得了不错的性能,但放在邻域粗糙粗糙集模型中,可能无法直接处理正区域出现的混合型数据的样本分类情况。并且邻域粗糙集模型在表征属性子集的分类能力时,同样也无法很好地描述类别混合样本的邻域。针对以上两种问题,本文后续针对邻域粗糙集模型的特点,首先分别分析了?邻域和k最近邻两者的优势,将两者进行结合提出了一种新的邻域粗糙集模型,引入了新的诱导信息粒子以及利用迭代策略计算决策上下近似。然后引入可变精度模型到改进的邻域粗糙集模型中来处理噪声数据。最后采用贪婪搜索策略,设计了一种改进的特征选择算法。通过实验结果分析表明,此算法具有更低的泛化能力,能够在不降低分类精度的前提下,有效地去除冗余属性。