经典粗糙集理论是一种处理完备数据的数学工具。由于数据的测量误差、对数据提取的限制等原因,导致不完备、不确定的数据随处可见,并且数据随时间动态变化,这使得经典粗糙集理论应用受限。因此如何高效的处理动态变化的数据,找到合适的粗糙集扩展模型是当前研究者们重点研究的课题之一。在粗糙集理论中,特征选择是知识获取的关键和核心。利用传统的属性约简算法对动态数据进行属性约简,需要消耗大量的计算时间,占用较大的内存,最终导致运行速度缓慢,无法达到预期的效果。因此在不完备信息系统中如何动态更新属性约简算法,提高算法的效率是数据挖掘等领域的重点课题之一。本文以粗糙集为基础,以获取知识为目的,针对动态变化的不完备信息系统的属性约简方法进行深入的研究和讨论,主要工作包括:首先,以限制容差关系模型为基础,考虑了由于属性值缺失程度的不同而导致的不完备信息系统的差异性,结合完备度的定义,给出了对象间完备度的限制容差关系的粗糙集扩展模型,并对该模型进行理论和实例的证明。其次,结合正区域的定义提出了一种新的正区域的等价计算公式。当属性集发生动态变化时,分析了正区域的计算方法,结合属性重要度的定义,设计了属性集增加和删除时的更新算法(算法AIAR和算法DIAR),并对算法的时间复杂度进行分析,证明了算法的可行性。另外,讨论了当单个对象发生动态变化时新正区域的计算方法,根据正区域的计算方法和已有算法,给出了单个对象动态变化时的更新算法(算法ASOIAR)。当多个对象发生动态变化时,根据算法ASOIAR的思想,提出了多个对象动态变化时的更新算法(算法MOIAR),并通过时间复杂度分析验证了算法的有效性。最后,从UCI数据库中选取4个不完备数据集,分析并验证了算法的有效性和合理性。