Pawlak提出的粗糙集理论，是一个处理模糊和不精确性问题的数学工具，能对数据进行分析和处理，从中发现隐含的知识；并揭示潜在规律，做出准确决策。但是，Pawlak粗糙集是以等价关系为基础，在很大程度上限制了粗糙集理论的使用范围和处理效果。为了解决这种问题，近年来学者们提出了多种广义粗糙集模型，包含关系粗糙集、模糊粗糙集、变精度粗糙集和覆盖粗糙集等，其中覆盖粗糙集理论已是粗糙集理论的重要组成部分。
　　在Pawlak提出的粗糙集理论中，属性约简是重要的研究内容之一，主要是去除高维数据的冗余信息，尤其在海量数据挖掘、特征选择、模式识别等多种领域有着至关重要的应用。在覆盖粗糙集理论方面，主要侧重于研究覆盖近似算子的性质，而基于覆盖粗糙集的属性约简的效率还可以进一步提高。那么如何提高覆盖粗糙集的属性约简算法的效率，降低算法的执行复杂度，是覆盖粗糙集的属性约简方面亟需解决的难题。因此，探索高效的覆盖粗糙集属性约简方法具有重要的研究意义。本文介绍基于图的覆盖决策信息系统的属性约简理论，给出一个基于图的属性约简的新算法。提出了局部覆盖粗糙集模型和多粒度局部覆盖粗糙集模型，并给出不协调覆盖决策信息系统的局部约简理论和多粒度覆盖决策信息系统的局部约简算法。具体的研究主要涉及到以下几个方面的工作：
　　第一章主要阐述本论文所涉及的研究背景和现状，并且介绍主要的研究工作和论文的组织结构。
　　第二章主要介绍基于图的覆盖粗糙集属性约简理论、图的极小顶点覆盖与覆盖决策信息系统属性约简之间的关系、覆盖决策信息系统的属性约简与求解一个超图的极小顶点覆盖的等价性。在这个基础上，提出一种新的基于图的覆盖决策信息系统属性约简的算法。实验结果表明，新的属性约简算法不仅可以有效地降低数据的维数，同时运行速度较快且能保持较高的分类精度，揭示该算法的高效性和有效性。
　　第三章主要运用局部的思想，结合包含度的概念，提出局部覆盖粗糙集模型和覆盖决策信息系统的局部约简理论。给出了局部覆盖近似集的算法，并分析算法的优势。
　　第四章主要介绍多粒度覆盖粗糙集，提出多粒度局部覆盖粗糙集模型和多粒度覆盖决策信息系统的局部属性约简算法。通过实例分析验证该算法的优势。