当今社会,信息技术高速发展,大数据的应用越来越广泛,各种数据已经渗透到社会的各行各业。因此,海量的数据成为了当今社会最具价值的一种财富,大量企业为了通过进行数据处理来创造新的价值,开始建构自己的数据仓库。但信息量的不断增加直接导致了信息处理成本的日益攀升。那么,如何准确的分析和处理高维数据成为了新的研究热点。而属性约简作为一种处理数据不确定性的方法,引起了学者们的广泛关注,它能够通过删除所研究数据中的冗余特征,保留必要特征,以此来保持系统的分类能力不变的方式来高效处理高维数据。在使用数据前先进行属性约简,可以有效的简化高维数据的处理过程,并从数据中获取有用的信息。本文给出了几种新型优越关系模型,对该模型的特性做了进一步的研究,并针对这几种模型分别定义了决策属性的下近似、正域等概念,进一步构造出依赖度函数,用该函数来反应属性子集的分类能力。在实验过程中发现,普通的优越关系在进行样本优越性比较时,存在与实际情况不相符的弊端,这是因为在多个属性下进行比较求交集的过程中,需要两个样本在所有属性上优越性一致才能得出结果。为此,本文采用转置求和的方式代替了传统的求交集的方法,并重新定义了决策属性的下近似,依赖度函数,属性重要度等概念。通过数值实验验证了本文算法对于属性约简的有效性。