随着信息技术的不断发展和自动化水平的不断提高,许多领域都出现了规模庞大而又复杂的数据系统.这些数据系统通常隐藏着大量有用的决策知识,需要人们去挖掘和发现.粗糙集理论由Pawlak于1982年提出,是处理不确定知识的一种新的数学工具,其显著的优点是不需要数据的任何先验信息,就可以满足数据分析的需要.粗糙集理论以决策信息系统为研究对象,以获取决策信息系统中的决策规则或分类知识为最终目的.近年来,无论是粗糙集的理论研究还是应用研究都取得了丰富的研究成果.本文研究的是一种更加普遍的决策信息系统,该系统不仅含有连续数据和离散数据,而且是不完备的,文中称该系统为混合值不完备决策信息系统.本文从以下三个方面展开研究.首先,在分析了现有的粗糙集模型与方法基础之上,针对混合值不完备决策信息系统,提出了一个新的拓展的容差关系——邻域联系度容差关系,进而给出了基于邻域联系度容差关系的拓展粗糙集模型——邻域联系度粗糙集模型.同时讨论了邻域联系度容差关系下基于最大相容类的粗糙集理论.其次,针对给出的邻域联系度粗糙集模型,结合现有的属性约简理论,给出了适合该模型的属性约简算法.同时进一步分析了该算法的优势,即不需要对缺失的数据作任何处理,并且可以充分利用现有的研究成果,以提高计算效率.最后,用给出的属性约简算法对混合值不完备决策信息系统进行属性约简,以降低冗余属性对决策的干扰.同时对约简后的决策信息系统给出了基于邻域联系度粗糙集模型与贝叶斯理论相结合的最小错误率分类方法和代价敏感分类方法,并通过数值例子说明了给出的分类方法的客观有效性.本文的研究成果不仅具有重要的理论意义,而且在实际的应用中也具有一定的参考价值.