作为一种新的软计算方法,粗糙集理论已广泛应用于知识发现、数据挖掘等领域,但较差的容噪能力使得它在数据分析过程中容易丢失有潜在价值的知识。将标准包含关系扩展为多数包含关系的变精度粗糙集模型,允许分类存在一定程度的错误,能够更有效地处理噪声数据以发现数据间的弱依赖关系。由于包含度参数的引入,变精度粗糙集模型的属性约简变得更加复杂,首先分析了现有属性约简模型存在的异常,并揭示了发生异常的根本原因。为了解决异常问题,论文以下近似分布作为分类能力的衡量标准,提出了基本下近似分布不变的属性约简模型,并给出了相应的约简方法,进而把约简异常问题转换为层次模型表示,通过逐层深入的约简模型渐渐消除约简异常。变精度粗糙集模型属性约简具有区间性,而且在约简过程中约简区间具有动态性。论文在分析了条件类归并对约简区间的影响之后,揭示了本文基于下近似分布不变定义的属性约简模型是如何避免区间异常、跳跃现象以及其它异常的。作为最重要的条件属性,属性核在变精度粗糙集模型上具有区间性,论文完善了区间核的概念、分析了区间核属性的性质并提供了快速求解区间核属性的算法。另一方面,属性核可以作为启发式约简算法的起点,通过构造有序分辨矩阵,提出一种下近似分布层次上的启发式属性约简算法。最后,将基于分类质量、相对正域和下近似分布三种不同标准的属性约简模型应用在Wine Data Set,体现了不同层次属性约简模型约简结果之间的区别与联系,进一步阐明了相关理论成果。图1幅,表18个,参考文献79篇。