三支决策模型是由Yao Yiyu教授在粗糙集理论中引入贝叶斯风险决策概念和条件概率公式,对决策行为进行分析和归纳的一种代价敏感的决策学习方法。三支决策模型具有接受决策、拒绝决策和延迟决策三种决策方式,适用于解决实际决策问题。三支决策模型通过对决策规则进行分类和归纳,为决策者总结决策规则,做出最优决策选择提供帮助。三支决策模型在人工智能领域也有诸多应用:如车牌号图像识别、垃圾邮件分类与过滤、临床专家决策系统等,三支决策模型应用正逐步得到研究者们的重视。经典的三支决策理论是一种基于客观期望风险的代价敏感的分类模型。一些学者结合期望效用理论,提出了基于决策者主观态度进行决策的效用三支决策模型。然而,由于在实际决策信息系统中存在多种类型数据,现有效用三支决策模型不能同时处理实值型、布尔型、类别型等混合类型数据,不能解决混合数据的n分类问题,并且,效用三支决策模型使用的期望效用理论是建立在人绝对理性决策基础上的单调效用值,实际影响决策者满意度的因素应是相对变化的。基于上述问题,本文首先在混合决策系统中结合效用概念,提出一种新的模糊效用三支决策模型,并且在该模型中提出最大效用和正域分布保持的启发式属性约简算法。模糊效用三支决策模型的主要构造过程为:在混合信息系统中构造模糊条件概率,结合效用概念为不同决策类生成阈值划分论域,最后通过实验证明了本文提出的算法相对于效用三支决策模型的算法提高了分类正确率。前景理论中的价值函数增加了决策参考点,同时考虑损失和收益来定义相对价值来描述决策者满意程度,相对于期望效用理论中的单调效用值描述决策行为,前景理论更适合分析决策行为。本文基于多类三支决策模型概念,将前景理论引入多类三支决策模型中,使用前景价值函数衡量决策者的相对获益与代价,构造n分类价值矩阵,提出基于前景理论的多类三支决策模型。在该模型中,本文基于前景理论与n分类价值矩阵,提出价值最大约简目标,在该目标下提出了前向最大前景价值启发式属性约简算法和后向最大前景价值启发式属性约简算法。