当今时代信息技术高度发达,数据的数量和维度都急剧增加。这不可避免地造成了冗余数据的产生,从而导致数据信息密度降低,以及存储和使用数据的困难。粗糙集理论是一套从数据中提取知识和信息的理论,其主要思想是利用等价关系对数据进行粒化,并利用粒化得到的等价类对不确定的概念进行近似描述。属性约简是粗糙集理论衍生出的一项热门应用,旨在从数据中去除冗余的属性,而保留重要度较高的属性。由于使用等价关系获取粒化结果,经典粗糙集仅能用于离散型数据,从而限制了该理论的发展和应用。邻域粗糙集模型引入邻域的概念,并根据数据与其邻域内其他数据的关系进行粒化,从而克服了经典粗糙集的上述缺陷。然而,邻域粗糙集模型也存在效率较低、受距离度量影响等问题,本文针对上述问题,主要开展了如下的研究工作:1.邻域粗糙集模型的邻域是基于距离度量定义的,由于距离度量自身固有的一些问题,从而导致模型的有效性和效率较低。为了解决上述问题,本文提出了一种基于空间划分的邻域粗糙集模型。本模型通过对数据进行空间划分以得到空间层次结构,并定义了一种基于空间层次结构的邻域,从而避免了距离度量的使用。在本模型的基础上,本文设计了一种基于前向结构的属性约简算法。在多个数据集上的实验结果表明,相比于本领域其他的前沿算法,本算法在有效性和效率两方面均具有优势。2.由于本文建立的基于空间划分的邻域粗糙集属性约简算法存在一定随机性,因此正域判定结果不稳定,导致算法的有效性有待提升。本文通过引入投票机制,设计了一种自适应的多空间划分结合改进方法。该方法降低了空间划分的随机性,并且能够自适应地控制投票规模。在相同数据集上的实验结果表明,相比于原算法,该改进算法在不显著降低效率的前提下,有效增加了稳定性,从而提升了有效性。