属性约简在粗糙集理论的发展进程中扮演着重要角色。属性约简就是根据不同的实际需求,按照一定规则,从数据中剔除冗余信息。然而,如今的数据往往具有多粒度、多层次特性,面对这一挑战,本文将以一种多粒度视角来解决以下问题:1.在邻域粗糙集模型中,构建邻域时,仅考虑了半径大小与样本间欧式距离的因素,因此当半径较大时,具备不同的标记的样本极有可能落入同一邻域中。为了缓解该问题,本文提出了伪标记邻域粗糙集,并研究了该模型中的一些指标以及属性约简的问题。实验结果表明,通过采用伪标记策略,邻域决策系统的性能得到了改善,且约简的性能得到了提升。2.在求解邻域粗糙集属性约简时,搜索到的属性结果随着邻域半径大小的不同而不同,进而得到的属性约简被认为是不够稳定的。为了缓解该问题,本文提出采用集成启发式算法求取约简,该方法主要依赖于集成学习中的投票策略。实验结果展示,在绝大多数情况下,就稳定性而言,提出的算法得到的约简优于传统算法得到的约简。3.当模糊粗糙集需要考虑多个高斯核参数进行约简时,传统的启发式算法需要大量的时间消耗,为了解决该问题,本文提出了一种快速求取多粒度属性约简的算法。在该算法进程中,仅考虑了最大高斯核参数与最小高斯核参数。实验结果表明,在得到的约简的性能相差不大的情况下,提出的算法能在较少的时间内获得约简。4.由于多标记学习LIFT算法产生的多个类属属性空间维度过高,致使分类模型构建较慢,因此本文提出采用模糊粗糙集及稳健模糊粗糙集模型的属性约简方法,对这些类属属性空间分别进行降维处理。实验结果展示,通过属性约简方法降维后,多标记学习系统的分类性能有了提升。