随着新兴信息技术的高速发展,数据存储的规模表现出前所未有的增长速度。大数据环境下的数据不仅仅表现出数据规模急剧膨胀,同时也呈现出数据质量低下、价值密度稀疏的鲜明特征。此外,数据随时间的推移产生得快,变化得快,折旧得也快,数据流已成为大数据环境中一种主流的数据存在形式。因此,对大数据的采集及分析应是一个不断优化、持续更新的增量优化过程。海量高维、动态低质的数据导致数据挖掘与知识发现算法所需要的计算代价和存储资源呈指数级增长。特征约简作为一种重要的数据处理技术,其目的在于从高维数据提取能够反映原始数据特性的低维表示,已成为机器学习与模式识别等领域广泛关注的热点问题。大数据环境下数据所表现出的动态更新、质量低下等特性给特征约简问题带了新的挑战,成为了当前该领域中一项紧迫又重要的研究课题。粗糙集理论是一种能够有效的处理不一致、不精确信息的数据建模与知识获取工具,已被广泛应用于机器学习、数据挖掘等领域中。粗糙集理论能够更客观的处理问题,因为其只依据数据集中所携带的信息处理问题,而不需要数据集之外的任何先验信息。作为不确定信息的量化度量方式,信息熵可以有效度量特征的不确定性,此外还能对特征之间的相关或依赖程度进行准确刻画。因此,本文主要研究面向不完备数据的动态特征约简方法,粗糙集和信息熵理论为本文的研究提供了重要的理论支撑。本文以相容和邻域粗糙集模型作为特征约简的理论框架,以动态不完备数据的不同变化情形作为研究主线,将增量学习技术引入到动态不完备数据的特征约简问题中,提出不完备数据下最优特征子集的动态求解方法,发展了若干基于增量条件信息熵的高效特征约简算法,为动态不完备数据中的数据建模与分析挖掘提供了新的理论方法与处理技巧。本文在面向不完备数据的动态特征约简方法研究中主要取得以下的研究成果。（1）针对不完备数据中样本集动态增长情况,刻画了特征空间上相容类与标签空间上决策等价类的动态更新模式,建立了条件熵的增量计算机制,将该机制引入到启发式特征约简方法中特征重要度的迭代计算过程,并提出了不完备数据中面向样本集规模动态增长的增量特征约简算法。实验证明了提出的增量算法是一种可行且高效的特征约简方法。（2）针对不完备数据中特征值动态更新问题,刻画了不完备决策系统中论域上条件划分与决策分类的动态更新模式,分析了作为特征重要度评价准则的不完备相容条件熵的增量计算机制,并将该机制引入到启发式特征约简方法中特征重要度的迭代计算过程,进一步设计了不完备数据中基于动态特征值域的增量特征约简算法。实验结果表明算法能有效、高效的处理特征值动态更新问题。（3）针对同时含有名义型和数值型特征的不完备混合数据,刻画了样本集动态增长时特征空间上邻域容差类与标签空间上决策等价类的动态更新模式,建立了邻域容差信息熵、联合熵、以及条件熵的增量更新机制,并将该机制引入到启发式特征约简方法中特征重要度的迭代计算过程,进而设计了不完备混合数据中面向样本规模动态增长时的增量特征约简算法。实验结果证明了所提出算法的可行性、高效性。