作为形式概念分析理论的基石,概念格是具有偏序关系的二元组所构成的Hasse图。动态环境中的更新,更是近些年来形式概念分析研究的热点问题。在深度学习中采用的卷积计算是一种滑动窗口形式的数据动态处理方式。面向卷积计算进行概念格的动态研究是概念格逻辑推理与神经网络相结合的重要探索,目前本领域尚未开展相关研究。因此,本文以动态信息系统为背景,卷积计算为模型,分别针对形式概念分析理论的两大热门研究方向进行钻研。本文的根本探究内容,和创新点在以下若干方面展现。（1）首次将深度学习中卷积计算方法引入形式概念分析,研究卷积计算模式下,卷积区域中属性的变化机理。通过分析,本文发现,卷积区域以滑动窗口的形式向属性流产生的方向滑动。其内部主要特征为滑入滑出属性相同、滑入滑出属性不同、滑入滑出属性部分相交、滑入属性包含滑出属性、和滑出属性包含滑入属性。根据以上这五种特征,将其进行总结,并将结果创新性地与概念格结合。该研究的提出不仅能够加快对于动态形式概念分析理论的研究,更有利于深度学习研究领域的进一步拓宽,是形式概念分析结合深度学习方法的有益探索。（2）针对动态信息系统中属性流计算情况下的概念格构造问题。首先以卷积计算为模型,研究该模型下的属性变化特征。接着对属性增量和属性减量时的概念格渐进式构造算法展开推究,提出了对应的定理规则。最后基于上述理论基础,提出了基于动态卷积的概念格构造算法,通过实例及实验验证了其有效性。（3）针对动态信息系统中属性流计算情况下的概念格属性约简问题。本文进一步对提出的算法进行优化,首先引入深度学习下的滑动窗口式动态计算方法对属性进行分析。接着通过差别矩阵来获取区分函数,解出区分函数之后,通过获得的析取范式提取属性约简结果。推导每一个增加或者删除的属性对于析取范式中的项的影响,提出了属性增量和减量时约简结果的更新定理。最后基于上述理论基础,提出了基于动态卷积的概念格属性约简算法,并通过实例和实验核验了其优越性。基于概念格的属性流式动态计算研究,不但能够发展形式概念研究理论,为基于概念格的新型动态知识发现理论体系提出一种新型研究思路,而且能够为概念格和深度学习的结合提供更好的理论支持方向,具有较好的理论研究价值。