粗糙集理论(Rough Set Theory)是波兰学者Z. Pawlak于1982年提出的一个处理模糊、不确定数据的软计算方法,是目前国际上数据挖掘理论及其应用领域中的重要研究热点之一。众多学者对经典粗糙集模型进行了不同的扩展,其中多粒度粗糙集模型主要揭示了从多个角度(粒度)来分析同一个问题；优势关系粗糙集模型主要用来实现序信息系统中的知识获取。特征选择是数据挖掘和机器学习领域中的重要研究课题之一。本文研究多粒度粗糙集模型和优势关系粗糙集模型框架下的特征选择方法,具有重要理论意义和应用价值。主要研究成果有以下几方面：1.给出了多粒度粗糙集模型中属性依赖度的定义,建立了属性重要度及其相关性质。在此基础上,设计并分析了多粒度粗糙集模型下决策信息系统的启发式特征选择算法并验证了其有效性和可行性。2.利用序决策信息系统中的优势关系和优势类,定义了序决策信息系统中的条件依赖度,给出了序决策信息系统中属性的相对重要度及其相关性质,设计了一种序决策信息系统的启发式特征选择算法,分析了算法的时间复杂度,验证了其可行性。3.使用C#.NET编程语言‘和SQL server2000数据库,实现了优势关系下的数据分析系统,该系统的主要功能包括：序信息系统中对象的全序化、序信息系统的所有约简的求解及基于启发式函数的序信息系统的属性约简求解；序决策信息系统的所有约简和启发式约简的求解与规则提取。本文基于多粒度粗糙集模型和优势关系粗糙集模型提出了启发式特征选择算法,该算法有效降低了计算耗时,为多粒度意义下特征选择和优势关系意义下特征选择的高效求解奠定了一定的基础。