大数据时代已经到来,数据量正在以前所未有的速度增长,这对海量数据挖掘和知识发现提出了巨大的挑战。随着新信息的不断到达,信息系统正在实时地发生变化。久而久之,形成了单台计算机节点无法存储和计算的信息系统。同时,海量数据的涌入不可避免的会存在数据缺失的情况,这将导致系统变为不完备信息系统。在使用任意类型的粗糙集模型进行属性约简和规则提取等数据挖掘任务时,上下近似集的求解都是必不可少且至关重要的步骤。拟单层覆盖粗糙集作为经典粗糙集的扩展模型在处理集值信息系统或不完备信息系统方面表现优异。但是,在处理动态集值信息系统和大型集值决策信息系统方面仍存在计算效率低甚至无法计算的问题。因此,在本文中基于拟单层覆盖粗糙集对以上提及的问题进行研究。为了使得拟单层覆盖粗糙集适应属性集动态变化的集值信息系统,将其与增量学习的思想相结合进行研究。针对添加和删除属性集两种情况分别提出了相应的增量更新方法。此外,证明了增量方法与静态方法得到结果的一致性。基于增量方法的思想开发了增量算法来更新近似集。最后,通过一系列对比实验验证数据集大小和属性变化率对增量算法的影响。实验结果表明,与静态算法相比,添加属性和删除属性时增量算法的计算效率分别平均提升8.5倍和12倍。为了使得拟单层覆盖粗糙集适应大型分布式集值决策系统,将其与并行计算技术相结合进行研究。首先给出了分布式环境下各种信息单元的计算方法。在已有的粒度拟单层模型基础上,将整个并行计算过程分为两步:求近似集中的可靠单元部分和争议单元部分。以上两个部分的计算都需要基于对应的决策进行判断。由于争议单元自身决策的不准确性,所以使用其相关可靠单元决策的交并进行代替。针对以上过程在并行化理论中给出了证明过程。最后,选择基于内存计算的Spark框架对拟单层并行化理论进行实现并通过Speedup、Scaleup和Sizeup等指标对算法的性能进行评估。实验结果表明,数据集越大,Speedup和Sizeup曲线斜率越接近1且Scaleup曲线越接近1,即拟单层覆盖粗糙集的并行化效果越好。本文共计图16幅,表16个,参考文献96篇。