随着信息技术的发展和智能终端的普及,人类社会逐渐步入人工智能时代。数据产生与收集的方式发生了巨大变化,呈现出大规模、实时更新、包含噪声的特点。针对当前数据大容量的特点设计高效并且具有鲁棒性的数据降维算法,成为机器学习领域关注的焦点。通过保持数据中条件属性和决策标签之间的不一致性不变,粗糙集属性约简从数据中删除冗余的条件属性以达到数据降维的目的。由于数据规模的不断增大与动态更新,当前的属性约简算法面临如下的挑战:一是在现有的硬件环境下,如何实现对动态及大规模数据的属性约简;二是针对数据扰动现象,如何提高基于不一致性不变的约简的鲁棒性。针对上述两个问题,本文研究了属性和样本同时增加时,经典粗糙集和模糊粗糙集的属性约简增量机理,并借鉴机器学习的正则化方法研究了鲁棒属性约简的理论和算法。主要研究内容及成果如下:（1）研究了样本和属性同时增加时经典粗糙集属性约简的增量机理。通过辨识关系,设计了新增样本和属性对于更新当前约简必要性的判断机制,并揭示了属性和样本之间在更新约简时的相互制约关系。对于更新当前约简不必要的样本和属性,将其存入数据而不是过滤;对于必要的样本和属性,通过增量计算辨识关系来实现约简的增量计算。基于样本和属性同时增加的统一增量机理设计了经典粗糙集属性约简的增量算法,实验验证了该算法在处理样本和属性同时增加时经典粗糙集增量属性约简的效率和有效性。（2）研究了样本和属性同时增加时模糊粗糙集属性约简的增量机理。利用相对辨识关系实现了对模糊粗糙集中样本和属性的统一描述,为模糊粗糙集中样本和属性同时增加时属性约简增量机理的分析提供了理论基础。通过分析样本增加和属性增加分别带来的相对辨识关系的变化,将属性增加的增量机理和样本增加的增量机理有机的融合到一起,提出了样本和属性同时增加的统一增量机理。当新增样本和属性不断加入时,通过判断相对辨识关系来决定其对当前约简的更新是否必要,从而实现冗余属性的有效删除和必要属性的合理加入。基于属性和样本同时增加的统一增量机制设计了模糊粗糙集属性约简的增量算法。数值实验结果证明该算法能有效处理属性和样本同时增加时模糊粗糙集的增量属性约简。（3）研究了鲁棒属性约简的理论和方法。由于粗糙集对数据噪声敏感,保持一致性不变所得的约简不具有鲁棒性。借鉴机器学习的正则化方法,根据数据类型的不同,分别研究了经典粗糙集和模糊粗糙集的鲁棒属性约简的理论和方法。利用正则化方法,在决策规则的经验误差和整个决策系统的粒度之间寻找一种平衡,以忽略支持度较低的决策规则为代价换取决策规则的泛化能力。基于正则化损失函数的优化策略,设计了鲁棒约简算法,将约简中辨识能力较弱的属性进一步删除,以此提高决策规则的泛化能力。将粗糙集的鲁棒约简算法应用到电厂煤耗的关键特征选取中,并以关键特征作为输入变量建立了煤耗模型。实验结果证明本文所提出的鲁棒约简算法能够有效的删除辨识能力较弱的属性,提高约简的鲁棒性。