邻域粗糙集模型是经典粗糙集模型的扩展,适用于包含离散型、连续型等多种数据类型的混合数据集.其应用领域包含数据挖掘、目标检测和人工智能等,具有广阔的应用前景和重要的研究价值.属性约简是邻域粗糙集的重要应用之一,具有对信息系统的预处理功能.其基本思想是:在不降低给定数据集分类能力前提下删除冗余属性,得到更简洁明了的数据集描述.本文对现有邻域粗糙集模型进行优化,建立了新的模型,研究了基于该模型的属性约简.具体工作如下:(1)分析了几种现有邻域半径阈值取值方法的优缺点,提出了基于分类边界和双阈值监督的邻域半径阈值取值法.该方法引入边界函数,将数据对象分为类别边界分明和不分明两种情况,并为其自适应地匹配不同的邻域半径阈值取值法,优化了论域的粒化效果.(2)构建了自适应分类边界和双阈值监督邻域粗糙集模型.由于在分类边界和双阈值监督的邻域半径阈值取值法下的邻域粒子不具有单调性,其对应的邻域上、下近似也不具有单调性.本文采取迭代思想定义具有单调性的自适应分类边界和双阈值监督邻域上、下近似和三支域,提出自适应分类边界和双阈值监督邻域粗糙集模型并分析了该模型的相关性质.(3)基于自适应分类边界和双阈值监督邻域粗糙集模型进行属性约简研究.构建了该模型下的分类最简属性约简和特定类最简属性约简,设计了启发式分类属性约简算法,并用UCI数据集验证了算法能删除冗余属性且保持较高的分类准确率.探讨了该模型下分类属性约简和特定类属性约简的转化关系、派生关系和类衔接关系,为属性约简的研究拓展了新的角度.