决策粗糙集分类中的关键技术包括数据预处理、属性约简、分类算法等,在这些关键技术之中,属性约简占据着最重要的位置,属性约简的效果很大程度上影响着数据的最终分类效果。鉴于此,本文着重研究了分类中的决策粗糙集属性约简和模糊决策粗糙集属性约简两个关键技术,以及具有实际意义的代价敏感方法。通过研究代价敏感的相关理论,将基于测试代价和误差代价的代价敏感方法融入到决策粗糙集正域约简PRDTRS(Positive Region-based heuristic reduction algorithm for DTRS)模型中,并结合模拟退火算法,提出了一种基于测试代价的决策粗糙集正域约简方法一TCSPR算法。实验结果表明,该正域约简方法能在多项式时间内找到一个属性更少、测试代价更小的正域约简。经典的决策粗糙集属性约简算法PRDTRS只能处理离散型数据,而模糊决策粗糙集正域约简算法(The Fuzzy_rough QuickReduct Algorithm,QuickReduct)存在着运行时间长,并且没有考虑属性的代价,只从数学的角度考虑约简等缺陷。为弥补这些不足之处,提出了一种集代价敏感和模糊思想的模糊决策粗糙集属性约简算法COSAR。本算法将相似度隶属函数引入到决策粗糙集的上下近似集计算中,再结合代价敏感方法,进行模糊决策粗糙集代价敏感属性约简。通过仿真实验,验证了本算法能在更短的时间内找到总代价更低的约简属性集。通过对邮件分类技术的研究,结合前文提出的TCSPR算法,提出了TCSPR邮件分类方法,并以UCI数据库的电子邮件数据集Spambase为基础,随机选取训练样本和测试样本进行了仿真实验,并给出了实验结果。实验结果表明,本文提出的TCSPR邮件分类算法不仅能有效降低获取特征词的测试代价,并能在对邮件进行较为正确的分类情况下节省大量时间。实验验证了 TCSPR邮件分类算法在邮件分类领域的有效性,并且能提高分类效率,为邮件分类提供了一种新的方法。