在互联网时代,数据正在以非凡的速度呈现超高速增长,如何有效地从繁杂无章的大数据中挖掘有价值的信息与知识是人工智能技术的一个重要研究目标。在粒计算领域,序贯三支决策作为三支决策思想的延伸,在处理不确定信息时起到重要作用。序贯三支决策除了引入了延迟决策,能够在信息不充分时做延迟决定,降低决策带来的损失,还具有一种渐进的思维。其通过循序渐进地获取信息来将空间的粗粒度转换为细粒度,能够很好地解决生活中的各种复杂问题。然而,在序贯三支决策模型中,从代价敏感与多分类的角度出发,模型的粒度结构并没有考虑到代价因素,可能会造成决策总代价偏高,此外,每个属性在不同决策类下的重要度都是相同的,没有考虑不同类别之间的差异性;在序贯三支决策模型中,每一层决策结果中可能存在一些不确定性较大的等价类,即便再添加一个属性,也不能很好地将其进行分类,导致决策的分类精度降低以及决策延迟代价偏高。因此,为了解决这些问题,本文以序贯三支决策模型为研究背景,进行了如下研究:针对第一个问题,本文首先讨论在单个决策类的情况下,通过测试代价和误分类代价来刻画基于代价的属性重要度,并对各决策类形成各自最佳的属性序列,以此来弥补原本属性重要度定义的缺陷。再通过多属性决策中的TOPSIS方法,考虑每个决策类的最佳粒度,最后得到在多分类模型下的一个综合的最佳属性序列。所提出的模型优化了经典序贯三支决策模型的粒度结构,降低了决策代价。针对第二个问题,首先基于不确定性讨论了序贯三支决策模型中边界域的等价类,其次将这些边界域中的等价类通过条件概率来刻画它们的不确定性,并将不确定性较大的对象利用阴影集进行筛选,暂时在下一层不做处理,而是延迟到更后一层进行三支决策,通过对不确定性较大的对象实现跳阶延迟处理的方法,能够有效提高经典序贯三支决策模型分类精度。综上所述,从代价敏感及分类的角度出发,本文提出了两种不同的模型分别解决了序贯三支决策模型存在的一些问题,降低了决策代价并优化了性能。