在大数据时代下,不确定和模糊数据广泛存在于现实生活的各个领域中,三支决策是处理这类决策的有效工具之一。它从粒计算的角度将论域划分为三个两两互不相交的论域子空间（正域、边界域和负域）,并对其采取不同的应对策略（接受、不承诺和拒绝）,这种分而治之的思想,可有效解决信息不确定性和不完整性的问题。随着数据量的高速增长,数据的形式呈现出多样化和复杂化,而现有三支决策模型的研究对象多为单一性数据的决策系统,对于混合特征数据和模糊决策数据的研究相对较少。因此,为了扩充三支决策模型,使其更具有普适性,本文以粗糙集和粒计算为基础,围绕代价敏感三支决策模型展开研究,本文的主要研究工作如下:1.针对混合决策系统的边界域分类这一问题,首先通过正域约简计算混合邻域决策系统的核属性集,在此基础上计算混合邻域类,并利用三支决策规则分别将对象划分到各决策类的正域、边界域和负域,从而提出一种面向混合数据的三支决策模型;然后,结合代价敏感学习,提出了一种基于误分类代价的三支决策边界域分类方法,通过构造一种新的误分类代价的计算公式,来进一步划分边界域中的对象,并通过实例详细论证了三支决策边界域的划分过程。最后,通过实验结果验证了该方法的有效性,为三支决策边界域的划分提供了能够可借鉴的方法。2.针对模糊决策信息系统中序贯三支决策的粒度优化问题,首先基于密度邻域,对模糊决策信息系统进行粒化,从而获得不同的决策粒。在此基础上,从代价敏感学习视角,联合考虑属性依赖和测试代价,构建了一种新的属性重要度度量标准。然后,基于三种不同的测试代价分布函数,将该度量准则用来构建粒度结构中的属性子集序列,从而提出了一种基于粒度优化的代价敏感序贯三支决策模型,并通过实例详细论证了模糊决策信息系统中序贯三支决策的优化过程。最后,通过实验表明了该模型的可行性,扩充了序贯三支决策模型的适用范围。