粗糙集理论对属性约简的研究基本上使用的是静态约简的方法,这些方法只适用于小容量的决策信息系统,而对于拥有海量数据的决策信息系统来说,得到决策表中较为稳定的约简就成为约简研究中的一个重要的课题。动态约简应运而生。它是通过对大型复杂的决策信息系统进行多次抽样,把该系统的约简问题转化为若干子决策信息系统的约简的交集,从而得到较为稳定的约简。真实世界的应用中存在的问题就是不确定性,而这种不确定性存在于决策属性中,由信任函数体现出来的。本文基于决策属性取值确定和不确定的情形下的粗糙集理论,分别对其阐述动态约简的理论体系,并对所采取的抽样策略、F族范围的确定、动态约简集的稳定性度量以及改进的动态约简计算方法进行深入研究,并讨论了决策规则的获取。因在决策属性取值确定情形下得到的决策规则应用于决策属性取值不确定情形时,不易于分类未知对象,本文就需要对不确定环境下的粗糙集理论进行重新定义,进而需要对动态约简理论体系进行重新定义以便更易于分类未知事物和从不确定决策系统中提取出更多稳定约简。本文就获得子表族F所采取的抽样策略进行介绍,并确定了F族的范围,并将不相容信息考虑进对F族稳定性的度量方法中,然后提出一种改进的计算动态约简的算法,只需将F族部分子表计算得到的约简对剩余子表进行判断,进而得到最终的动态约简结果。本文采用了一种新的方法来获取最小的决策规则并将其用Petri网来表示,然后列举现有的规则获取方法,并介绍了一种改进的基于差别矩阵的决策规则获取方法以及获取动态决策规则的方法。论文最后总结全文,并对粗糙集理论和动态约简的发展进行了展望。