随着大数据时代的到来,各行各业都要面对海量、多维、不断更新的大规模的复杂数据。特别是在信息产业、科学技术、经济金融等行业每天会产生数量巨大的数据碎片,而处理这些繁琐的数据则需要耗费大量的人力,物力,财力。那么从这些数据中寻找所需的有效信息时,就需要选择最恰当的数据挖掘的方法。如何将数据进行筛选并使所需的信息不会被遗漏是数据挖掘的关键,同时也是本文研究的主要内容。在序信息系统下的局部粗糙集模型便是将大量冗余的,不必要的信息进行有目的的删减从而得到与目标信息相关的内容。这也是粗糙集理论方法的进一步延伸,为智能信息的处理提供理论基础。本文在序信息系统中建立局部粗糙集模型,并在动态环境中研究局部粗糙集模型的更新方法。进而,利用局部粗糙集模型在目标概念中做出决策分析。局部粗糙集理论的提出可以加快查找目标内容的速度,方便了人们的生产生活。本文在序信息系统中关于局部粗糙集研究的主要内容为:1.在序信息系统中,基于优势关系建立局部粗糙集模型,并在该模型下研究其基本性质内容。进而,给出生活中具体的实例,从全局和局部的角度出发,分析和比较计算时间和计算结果。最后,针对不同基数的目标概念进行多组对比实验,实验结果充分说明了局部方法的有效性。2.在序信息系统中,结合粒计算的思想,构造局部多粒度粗糙集。进一步,结合当下热点,研究局部多粒度粗糙集在动态对象环境下的更新近似方法。同时,建立局部动态对象更新算法和全局动态对象更新算法,并通过实验比较全局多粒度动态更新方法和局部多粒度动态对象更新方法的差别,从而给出动态对象的局部更新方法的优势。3.在序信息系统中,结合三支决策的理论方法,利用基本集赋值函数将非概率空间转化为概率近似空间,从而分别建立单粒度和多粒度的局部决策理论粗糙集(DTRS)模型。进而,通过一个例子具体的解释说明了局部DTRS方法在决策分析问题上的优越性。最后,建立局部和全局的对比算法,通过数据库中的六组实验分析了局部DTRS模型的合理性和适用性。