随着物联网、人工智能等信息技术的发展,数据的数量和维度呈几何式增长,数据的高维性降低了各种机器学习算法的运行效率并且影响分类器的分类性能。特征选择作为数据预处理的有效方法之一,能够从数据中去除不相关和冗余的特征,以降低数据维度,提高数据的紧密度以及后续机器学习算法的性能。粗糙集理论作为粒计算的一种重要理论,已成为特征选择、知识发现和数据挖掘等领域的热点研究工作。现实应用中,数据的形式复杂多样。大部分数据都是由符号型、数值型和缺失型特征构成的混合数据。同时,由于获取全部数据的决策标记通常是昂贵的,仅有一小部分对象被添加决策标记,因此产生了部分标记混合数据。然而,当面对大量决策标记缺失和动态变化的部分标记混合数据,现有基于粗糙集理论的特征选择算法通常需要进行大量重复计算,耗费较多的运行时间,决策标记的缺失甚至会影响特征子集分类精度。为了解决这些问题,本文以粗糙集理论为基础,针对部分标记混合数据开展增量式特征选择和决策填补等方面的研究。本文主要研究工作如下:（1）针对部分标记混合数据中对象集的动态变化,通过分析局部数据邻域粒度的变化情况,提出了信息粒度的增量更新机制。在此基础上,依次设计部分标记混合数据中单个对象动态变化和一组对象动态变化时的增量式特征选择算法。一系列真实数据集上的对比实验,验证了所提算法的有效性和高效性,且组增量特征选择算法更加高效。（2）针对部分标记混合数据中特征集的动态增加和删减,通过分析数据集中邻域粒度的变化情况,结合增量学习思想,建立信息粒度的增量更新机制。在此基础上,依次设计部分标记混合数据中特征集增加、删除时的增量式特征选择算法。通过理论分析和真实数据集上的对比实验,验证了所提算法的有效性和高效性。（3）由于决策标记蕴含丰富的信息,大量的未标记对象可能会降低特征选择结果的分类精度。因此,提出了一种基于扩展邻域粒度的决策填补算法,利用标记对象对未标记对象的部分决策进行标注,从而提高所选特征子集的分类精度。同时,针对部分标记混合数据,设计了扩展的信息增益的特征度量,在此基础上,提出了一种基于信息增益的半监督特征选择算法。在部分标记混合数据上的实验结果表明了所提算法的有效性。（4）针对有序数据集中单一特征度量在现有的特征选择算法中面临的不足,提出一种基于优势粗糙集理论的多准则特征度量。从代数论与信息论角度出发,同时分析数据的确定性信息与可辨别信息,并设计基于贪心向前搜索的特征选择算法。理论分析与相关的实验结果验证了算法的有效性和高效性。