粗糙集理论是波兰数学家Z. Pawlak提出的一种可用于处理不精确性、模糊性和不确定性的有效的数学工具。其特点是在无先验知识或者附加信息的情况下处理数据。粗糙集在数据挖掘、知识约简等方面有很好的应用前景。属性约简是粗糙集理论的核心内容之一,其能够在保证系统分类和决策能力不变的前提下对数据库中的冗余属性进行约简,简化知识表示,提高系统处理的效率,方便用户决策。由于信息系统在对象、属性变化时,需要得到更新后的信息系统的属性约简,这样,对于增量式粗糙集属性约简算法的研究慢慢开展开来。本文通过对增量的粗糙集求核以及属性约简算法进行深入研究,主要的研究内容如下：(1)提出了一种改进的基于正区域的决策表增量属性约简算法。首先计算原决策表与增量决策表的等价类、核、正区域等信息。其次通过分析,原决策表以及增量决策表的等价类与新决策表的等价类关系,得到新决策表的等价类；分析原决策表的正区域信息,增量决策表的正区域信息,得到新决策表的正区域等信息。最后根据上述的条件作为基于正区域的决策表求核。在新决策表核属性集合的基础上,使用属性重要性算法对决策表进行属性约简。(2)提出了一种改进的基于信息熵的决策表增量属性约简算法。首先将决策表划分成多个小的同构的决策表,然后对各个同构决策使用基于信息熵的算法求核,最后通过对原决策表与各同构决策表在属性约简之间核,等价类等的关系,整合得到整个决策表的属性约简。