在“互联网+”时代,数据正以超凡的速度呈现爆炸式增长,如何从中获取到有价值的信息是当前知识发现研究中的关键问题。多尺度信息系统是一个因属性在不同尺度下进行测量而具有多个不同属性值的系统,在不同尺度的属性信息下对数据进行分析和处理已经成为一种处理不确定信息的重要方法。不同尺度下所得到的决策结果可能不同,如何选择最优尺度是多尺度决策系统研究的一个热点问题。然而,现有的最优尺度选择模型仍然存在一些值得进一步提高的问题。例如,在进行最优尺度选择时大多从一致性、不确定性等单一角度出发,而代价信息广泛存在于实际应用中。此外,在进行最优尺度组合时,忽略了属性的代价信息。因此,本文针对以上问题从以下两个方面开展了研究工作:针对所有属性具有相同尺度个数的情况,即所有属性的重要度相同,属性的尺度同步增加。在基于多尺度决策系统的序贯三支决策模型的基础上,对不确定性进行量化;通过引入代价敏感,定义了一个新的基于测试代价和延迟代价的多尺度决策系统,进而提出了一个基于序贯三支决策的代价结构,并讨论了相关变化规律;通过引入理想尺度解的概念,建立了一个融合不确定性与代价敏感的最优尺度选择模型。实验结果表明,所建模型与现有模型相比更加符合实际应用中用户的需求。针对不同属性可能具有不同尺度个数的情况,即属性的重要度不相同,属性可以进行尺度组合。考虑到实际应用中属性代价信息的影响,通过刻画尺度所产生的代价以及属性所产生的代价,定义了尺度代价和属性代价;通过考虑属性区分能力和代价信息两个因素,提出加权属性重要度对属性进行排序;并根据属性排序序列,对每个属性进行最优尺度选择,直到所有的属性均选择出最优尺度,所得结果即为最优尺度组合。实验结果表明,在给定代价信息下,所建模型能够选择出综合考虑属性区分能力和属性代价的最优尺度组合。综上所述,将代价敏感引入多尺度决策系统中进行最优尺度选择更加满足实际应用中用户的需求。