在计算智能技术所面临的挑战中,高维的数据集通常具有成千上万的特征,而在这些特征中的信息大部分是冗余和不相关的。为了解决特征维数过高的问题并提高模式分类器的效率,通常在分类前进行特征(属性)选择。粗糙集理论为特征选择阶段中清晰集合的近似提供了一种软计算方法,然而该理论只能处理符号型的信息系统。由于信息系统中有大量实值型数据存在,使用模糊粗糙理论可辨性的渐进概念相比粗糙集更加自然与有效。另外现实数据集通常包含混合属性,这意味着数据集中的属性含有不同类型的值。在特征选择过程中,不确定的信息在粗糙集理论下通常导致信息丢失,另外传统的模糊粗糙方法使用正域计算存在计算量大与信息丢失的缺陷。首先,由于传统的模糊粗糙近似方法容易受到单个对象噪声的影响,本文选用拉普拉斯核的有序加权平均算子构造权重,在实值型信息系统的背景下给出基于拉普拉斯加权核下的模糊粗糙与分辨矩阵模型。考虑到上述两种度量的互补性,本文选用基于这两种鲁棒性模型的聚合框架来达到特征选择的目的。其次,本文针对混合型信息系统将灰色关联理论与模糊粗糙集相结合,给出基于直接边界域计算的模型并将其与差异熵结合作为描述不确定性度量的评价函数选取特征,该模型用于快速处理混合型非完备信息系统,更适用于决策属性为定量的信息系统。最后,本文将实值型与混合型两种特征选择方法在3种分类器、4种指标下与其他同类方法进行分析对比,验证得到上述两种算法均可以降低特征维度并且提升分类精度。