Z.Pawlak于1982年提出来的粗糙集理论是一种描述不完整性和不确定性知识的数学理论工具,该理论已被应用于智能计算技术领域研究中,不仅如此,还被广泛的应用到KDD中的数据挖掘中、文本分类中等各种领域。许多应用领域的数据不仅种类复杂,而且由于各种原因的影响导致数据信息是不完备的,这对于粗糙集的进一步研究也带来了新的挑战。比如,决策粗糙集模型作为一种扩展模型,可以被用来处理多种类型的数据,但是,目前已提出的决策粗糙集模型还未对不完备连续型的数据进行研究;又比如,对于非平衡数据,可以通过边界区域来定义属性重要度,进而在此基础上进行属性约简算法的研究,但是该算法只能处理完备混合信息系统下的非平衡数据,不适合用来处理含有缺省值的非平衡数据。针对所提出的这两个问题,本文在不完备的信息系统基础上,对已提出的粗糙集模型进行改进,并在新的模型下提出相对应的属性约简算法。本文所研究的主要内容大致如下:（1）本文首先针对不完备的连续型数据来进行研究,提出一种新的不完备的邻域决策粗糙集模型。具体过程可被描述为:首先在不完备的连续型数据中引入一个不完备的邻域关系,然后利用该二元关系对传统的决策粗糙集进行重构,一种称之为不完备邻域决策粗糙集的模型被提出,同时基于决策代价原则,文中进一步地提出了最小化决策代价的属性约简算法。最后通过实验表明了所提出的算法具有更高的属性约简性能。（2）本文又针对不完备混合型信息系统下的非平衡数据进行研究,提出一种基于不完备混合型信息系统的非平衡数据属性约简。具体过程可被描述为:文中首先将传统的粗糙集模型进行推广,提出适用于不完备混合型信息系统的粗糙集模型;然后基于数据的非平衡性,根据上下边界区域和类分布的不均匀性定义了一种新的属性重要度;最后在基于区分矩阵的基础上设计出一种非平衡数据的属性约简算法。最后通过实验证明该算法针对不完备非平衡数据的属性约简具有一定有效性和优越性。本文的创新点主要概括如下:（1）提出一种不完备邻域决策粗糙集模型,同时基于决策代价原则,定义了关于该模型的属性约简方法,即先根据贝叶斯决策规则得到对象采取三种行为的决策代价,然后定义出整个决策类在某个属性集下的总决策代价,最后基于最小代价的评估准则下,采用启发式属性约简中的添加式搜索策略进行属性约简。（2）由于目前的信息系统中含有非平衡的数据,根据完备信息系统中处理非平衡数据的方法,提出了一种可将非平衡数据应用到不完备信息系统中的粗糙集模型。此模型结合了邻域容差类和边界区域的定义以及不均匀分布类,定义出新的属性重要度,在区分矩阵的基础上计算出属性约简集。