由于大数据时代的来临,我们正面临着一项艰巨的任务：从海量的、杂乱无章的、有噪声的、不完备的、模糊的数据中找到有用的知识,即数据挖掘。分类是数据挖掘的一个重要分支,在众多分类技术中,粗糙集理论因为它不仅可以处理不确定问题并且还不需要数据集之外的任何先验知识这一突出优点,所以成为了知识发现的有效工具,获得了学者们的广泛关注。属性约简是粗糙集理论的热点研究内容之一。目前,基于粗糙集理论下的属性约简方法已经很多,但是大部分都是在完备并且静态的信息系统条件下的,并不能够满足现实中存在很多缺失数据的不完备信息系统和不断增加数据集的动态信息系统。虽然现在也有许多关于不完备信息系统和动态约简的研究,但是相对来说还是比较薄弱和单一。因此研究在不完备信息系统下的动态属性约简算法是很迫切的并且很有理论价值意义。基于以上,本文的研究工作着重于以下几个方面：(一)从代数论和信息论两个方面分析总结了目前基于粗糙集理论的不完备信息系统的属性约简算法。(二)从信息论的观点出发,根据基于容差关系下的不完备信息系统的粒度函数定义,给出了新的粒度熵函数,从而得到条件粒度熵函数和属性重要度,以属性重要度为启发式信息给出基于条件粒度熵的不完备信息系统下的属性约简算法。(三)对基于条件粒度熵的不完备信息系统下的属性约简算法进一步研究,在得到原信息系统约简的情况下,分析仅有对象增加时、仅有对象减少时、同时存在对象增加和对象减少时,这三种情况下条件粒度熵函数的变化机制,并更新约简算法。最后将所得到的动态约简算法应用到船舶耗油数据分析中,以证明算法的有效性。