现在是一个大数据时代，而且每时每刻都在产生新数据，如何高效的从数据中挖掘出有价值的信息已经成为一个热门研究。粗糙集以其挖掘知识的客观性，被广泛应用于数据挖掘中。由于经典粗糙集只能处理离散型数据的局限性，胡清华将经典粗糙集扩展到邻域粗糙集。为了高效的处理动态数据，本文从邻域粗糙集的信息观出发，主要创新点如下：（1）在邻域粗糙集中，通过分析论域下某样本邻域中其他样本与该样本决策属性值的异同，定义了不一致邻域矩阵。研究发现，在现有条件属性基础上，利用不一致邻域矩阵可以缩小属性增加后的搜索范围。因此计算属性重要度时，减少了在原条件属性基础上增加一个属性后条件熵的计算时间。并找到了邻域系统下条件熵和正域的关系，得到其性质和定理，它们可以加快算法的收敛速度，因此提出了一种信息观下基于不一致邻域矩阵的属性约简算法。（2）针对实际数据的动态性，样本增加后，原约简集可能已不再有效，需要对其动态更新。邻域决策系统中现有的增量算法都是从代数观下分析其变化情况，本文从信息观出发，详细分析了增加样本后，条件熵的变化机制，以及其对约简集的影响规律，发现只有新增样本不一致邻域中的样本才会引起条件熵的变化，相继引起了约简集的变化。提出了一种信息观下增量式属性约简算法，该算法只需针对新增样本及其不一致邻域进行约简，有效地避免了重复约简，从而快速求得更新后的约简集。（3）将本文提出的属性约简算法应用到场景图像目标检测的特征选择中，针对Hog高维特征的特点，分析提取Hog特征的原理，通过级联约简对Hog特征进行选择。