粗糙集可以从海量数据中高效地挖掘出有价值的信息。属性约简是粗糙集理论的一个核心研究内容,它可以有效的辨别冗余属性,减少不相关属性对分类性能的影响。为了解决基于经典粗糙集的属性约简不能直接处理连续型数据的问题,有学者提出邻域粗糙集模型。在邻域粗糙集中,往往通过给定的半径来约束的样本之间的相似性,然而,这种简单固定半径的邻域粒化方式通常不能提供令人满意的判别性能,约简后得到的属性质量不高。因此本文对邻域粗糙集中的邻域粒化方法和属性约简方法进行了深入研究,主要做了以下工作:（1）现有的方法采用固定半径的策略进行邻域粒化时,存在无法处理分布不均匀数据集、粒化不精确和参数选取困难的问题。针对这些缺陷,本文对邻域粗糙集中的邻域粒化方法进行分析,提出了动态邻域粒化机制。该粒化机制在粒化样本时,首先分别从局部样本分布和全局样本分布的角度出发,为样本初步计算出一个半径,接着通过属性间的关系对上一步求出的半径进行缩减,进一步提高了粒化的精确度。在此基础上,根据动态邻域粒化机制,构造了相应的动态邻域粗糙集模型。实验结果表明,所提粒化方法可以提高邻域粒化的精确度,更有利于区分出适宜分类的属性。（2）针对在动态邻域粒化机制下,邻域半径动态变化导致在属性约简的过程中下近似不单调的问题,本文对属性约简算法进行分析,基于样本淘汰的思想提出了在动态邻域粗糙集下的属性约简算法。首先在粗糙集理论下,采用一种累加和的方式重新定义了动态邻域粗糙集的上、下近似算子,保证了在属性约简的过程中下近似的单调性;接着,针对在属性约简的过程中出现的样本不一致的问题,本文将传统的基于依赖度的属性重要度评估与一致程度评估相结合,提出一种多准则属性重要性评估函数;最后设计了一种属性约简的停止条件,使用一种前向的启发式算法实现了约简求解。为了验证动态邻域粗糙集下属性约简算法的有效性,在12个来自真实世界的公共数据集上进行了仿真测试,对比其他粒化方式下的邻域粗糙集属性约简方法,实验结果表明,本文所提方法能删除冗余的属性,得到的约简可有效的提升分类准确率。