在信息技术的高速发展的背景下,各个应用领域产生了大量非结构化的数据。这些数据给传统机器学习方法来了许多新的挑战,其中之一就是“维数灾难”。高维数据中存在的大量的冗余信息会降低机器学习方法的计算效率,并且通常会影响结论的准确性。为了有效去除高维数据中的冗余信息,本文采用静态绑定框架局部敏感哈希算法描述造高维数据空间中的粒度结构。由于局部敏感哈希算法获得的数据相似关系依赖于给定概率参数而变化,所以相较于粗糙集等传统粒计算方法,本文中得到数据粒度结构是一种近似的数据划分结果。但这种近似粒度结构解决了传统粒计算模型在处理高维数据时需要大量计算时间的问题。在这种近似粒度划分结构的基础上,本文借鉴传统粗糙集依赖度的概念,设计一种基于粗糙集和局部敏感哈希的近似特征选择算法。另外,在很多基于局部敏感哈希算法的相关算法中,为了保证有足够好的效果并且节约计算资源,都会预先生成大量的哈希函数,以便在之后的计算过程中继续使用。本文也采用这种技巧,进一步考虑到经过近似特征选择后数据与已经生成的哈希函数之间存在的特性,采用粗糙集特征选择算法挑选更适用于分类的局部敏感哈希函数,并通过结合新的分桶方法与动态碰撞框架基本思想提出了基于粗糙集与局部敏感哈希的分类算法。实验证明,近似特征选择与分类两种算法对于高维数据的处理具有很好的效果。