在信息爆炸的当今社会,各行各业,每分每秒都有海量的数据产生并且被存储。高效的分析和挖掘这些数据不仅可以带来巨大的经济效益而且还能促进科学技术的进一步发展。邻域粗糙集作为一种处理数值数据的有效工具,自发展以来得到了广泛的应用。本文针对两种经典的邻域粗糙集模型中的近邻粒选取问题,提出了一种新的邻域粗糙集模型叫做κ-δ邻域粗糙集模型。基于这个模型,文章构造了一种属性约简算法和一种邻域多粒度分类算法。具体工作如下:1.邻域粒度的选取是邻域粗糙集模型的一大重要问题。经典的邻域粗糙集就邻域粒度的选取一般采用κ-邻域或者δ-邻域这两种方法。然而,这两种方法都不能有效地刻画类别混合样本的邻域。针对这一问题,提出了一种新的邻域粗糙集模型叫做κ-δ邻域粗糙集模型,该模型结合了κ-邻域模型和δ-近邻模型的优点,能有效地处理数据异构问题。然而,由于κ-近邻模型不具有单调性,因此文本采取迭代策略来定义该模型决策的粗糙近似,并讨论了它们的相关性质。2.属性约简是一种处理高维数据的有效的方法。它在保持系统的分类能力不变的情况下,删除数据中的冗余特征,进而获取数据中的最有用信息,使得知识处理过程更加简化。基于κ-近邻邻域粗糙集模型,本文构造了一个前向贪婪搜索属性约简算法并设计实验验证算法的有效性。实验分析表明,文中提出的算法比现有的一些算法精度更高,尤其是相比较于δ-邻域粗糙集模型和κ-近邻粗糙集模型。3.分类问题是当前数据挖掘最主要的研究方向之一,通过对已知的样本数据进行挖掘进而对未知的样本进行分类,这一基本思想在实际的生活生产中具有非常广泛的应用。针对高维数据的分类问题,多粒度方法被广泛的应用在数据挖掘和模式识别等多个领域中。该方法可以从多个角度来挖掘现有的数据,可以有效地提高分类能力。因此,在κ-δ近邻邻域粗糙集模型的框架下,文章设计了一种邻域多粒度分类器对未知样本进行分类。通过实验分析证明了所提的分类算法比现有的几种经典分类算法的分类能力更强,分类更准确。