近年来信息技术蓬勃发展,随之而来的是数据量暴增。在日常生产生活中,越来越多的数据被获取并存储。然而一些数据对于分类任务来说是不相关或冗余的,且这些冗余数据对做出正确的决策会产生影响。因此,如何有效地处理冗余数据已然迫在眉睫。虽然特征选择方法已被广泛应用,但大多数的特征选择算法仅考虑决策下近似所包含的分类信息,忽略了决策分歧的样本所提供的分类信息,从而可能导致部分信息的丢失。本研究以模糊邻域粗糙集模型和邻域多粒度粗糙集模型为背景,利用决策的上、下近似构造相应的自信息测度,然后引入信息熵构建相应的特征选择模型,同时从代数观点和信息论观点进行不确定性度量,经过理论证明和实验对比分析,验证了本文所研究方法的有效性。本研究的主要内容如下:（1）为解决经典特征选择算法仅考虑决策下近似所包含的信息从而导致部分分类信息丢失、以及多数特征选择方法仅基于代数观点或信息论观点单角度来构建属性重要度的问题,提出了一种基于自信息测度和熵度量的模糊邻域粗糙集特征选择方法。首先,为了克服传统特征选择算法忽略决策上近似所包含分类信息的问题,利用模糊邻域粗糙集的上、下近似并引入自信息的概念构造决策变量的四种自信息不确定性度量,通过理论分析知第四种测度——包容模糊邻域自信息测度具有较好的分类性能。然后,同时受代数观点和信息论观点的启发,设计了一种基于模糊邻域自信息测度的模糊邻域联合熵的特征选择方法,以排除冗余特征,进而获取具有最强分类能力的特征子集。在10个公开数据集上的实验表明,所提算法能有效地选出重要特征,且具有较高的分类准确率。（2）在工作（1）的基础上,为降低不完备决策系统中的噪声,设计了一种基于自信息测度和熵度量的邻域多粒度粗糙集特征选择方法。首先,从代数观出发,将自信息的概念引入到邻域多粒度粗糙集模型的上、下近似构造决策变量的四种邻域多粒度自信息测度,并讨论其相关性质,进而发现第四种测度——包容邻域多粒度自信息测度具有较好的分类性能。然后,同时受代数观点和信息论观点的启发,构造基于邻域多粒度自信息测度的悲观邻域多粒化容差联合熵的特征选择方法,用于处理不完备信息系统中的噪声和不确定性,进而选取最优的特征子集。在11个公开数据集上的实验表明,该算法能有效地选取对分类信息敏感的特征,且具有较高的分类准确率。