粗糙集理论是一种处理分析不确定或者模糊知识的数学工具,已经在模式识别、专家系统、故障诊断和决策分析等方面有了较为成功的应用。由于数据库中的数据是动态变化的,数据库中原有的知识已经不能够满足人们的需求。因此,如何在动态变化的数据库中根据原有的知识高效地获取人们所需要的知识,从而指导决策分类,具有重要的意义。当信息系统中属性动态变化的时候,传统的方法更新近似集是重新对论域进行划分,花费了重复计算的时间。本文分别讨论属性增减时,对原有的等价类进行划分,避免了对论域的重新划分,提高了效率。并通过讨论等价类与原有近似集之间的关系,给出了动态更新之后的近似集与原来近似集之间的相关定理,提出了在经典粗糙集模型中,属性增减时近似集动态更新方法。实验结果验证了该方法的有效性,而且效率优于原始的方法。由于在经典粗糙集模型下对数据的要求是精确的,没有噪音或不含有缺失值的。但是,现实生活中,许多原因可能导致数据不精确或者含有噪音。由此Ziarko提出了变精度粗糙集模型。它允许有一定的噪音存在,数据的适应能力较强,这样对有噪音的数据处理更加有效。本文在变精度粗糙集模型中,讨论了在属性增减时近似集的动态更新方法。先通过研究信息系统中等价类的变化情况,给出属性增减时相应的定理和推论,并分别提出了属性增减时,变精度粗糙集模型中近似集的动态更新方法,最后通过实验验证了方法的有效性。