随着人们生活方式的变化,产生的数据规模和复杂性也在急速增长。科技时代下,数据成为各行各业发展的依据和关键,挖掘数据中的有效信息已成为现代科学技术发展的主要动力。作为一种有效的数据挖掘方法,属性约简去除了条件属性中的冗余和不相关属性,以得到满足给定约束条件的最小属性子集。然而,传统的属性约简方法仅能处理符号型数据,在解决实际问题中,连续型数据是广泛存在的,这就导致了现有的属性约简方法在处理连续型数据的问题中存在着一定的局限性。针对这些局限性,本文在传统属性约简定义和求解方法的基础上,借鉴人类处理复杂问题的粒化和分层模式,从连续参数的角度分析了多层次的粒度,系统研究了多粒度属性约简的定义和求解方法,并利用在线流特征构造了连续参数下的多粒度属性约简,探讨了适合连续参数的多粒度属性约简求解方法,构建了一套基于连续视角的多粒度属性选择算法框架,最终在属性分类性能不发生显著变化的前提下,有效地提升了求解约简的时间性能。具体而言,本文的研究内容和方法主要在于:一、提出了一种面向连续参数的多粒度属性约简算法。作为度量粒化程度的方式,在粒计算研究领域中,粒度已俨然受到了众多学者的广泛关注,其中一种重要且广为接受的模式是参数化粒度。利用这种参数化的粒度表现形式,在面向属性约简的求解问题时,往往需要计算每一个参数所对应的粒度下约简,直至找出所有参数下的约简结果。显然,这种方式会带来巨大的时间消耗。为解决这一问题,提出了一种连续参数意义下的多粒度属性约简策略:首先利用连续参数的区间及粗糙集中不确定性度量的单调性,构造了连续参数下属性约简的约束条件;其次设计了连续参数意义下约简求解的前向贪心搜索算法;最后,对8组UCI数据进行实验比较分析,结果表明:相较于多个离散参数下的单粒度属性约简,连续参数意义下的属性约简可以在使得约简中属性的分类性能不发生显著变化的情况下,极大地提升约简求解的时间性能。这一研究为从连续视角进行多粒度建模及相关属性选择工作提供了新的解决方案。二、提出基于在线流特征的连续视角下多粒度属性约简。在面向连续参数的多粒度的属性约简算法中,进行属性约简之前需要特征空间中的所有特征都是已知且可以获取的。但是在实际应用时,存在整个特征空间不可预测的场景。此时,特征以流的方式进入特征空间。随着大数据时代的到来,需要同时处理的数据维数也在迅速增长,之前的批处理方式已经不满足快速处理的需求。针对高维数据和特征空间未知数据的在线流特征的研究显得更有价值和意义。因此,设计了面向在线流特征的连续参数下属性约简算法。在该方法中,连续参数下的多粒度属性约简求解过程是基于特征以流的方式进入特征空间实现的,并且在不降低原有约简稳定性能的基础上,有效的提升了多粒度属性约简的求解效率。