随着大数据应用技术的飞速发展,对高维数据集的理解和处理提出了更高的要求,尤其是对含有大量噪声的、无关的、冗余的数据集。由于高维数据“维诅咒”的存在,因此对数据挖掘、知识发现和模式识别等研究领域也提出了巨大的挑战。粗糙集理论（Rough Set Theory）作为一种重要的粒计算工具与方法,可以高效地帮助我们从复杂的数据中挖掘出有价值的知识与信息,目前已被广泛地应用于特征选择（也称为属性约简）这一领域。在当前已经提出的特征选择算法中,宏观上可以主要分为三大种类:（1）基于过滤思想的特征选择算法,（2）基于包装思想的特征选择算法,（3）基于嵌入思想的特征选择算法。这些算法均可以较好的选择出最具有代表性且泛化能力较强的属性子集,达到特征选择的理想实验预期结果。然而,随着对邻域粗糙集理论的进一步研究与探讨,发现仍然存在一些不足需要进一步提高。例如,如何采用更好的度量方式来评估特征的相关性与冗余性,另外一点便是大部分算法忽视了特征之间的交互性从而导致了在特征选择过程中失去一些重要的潜藏信息,这可能使最后得到的属性子集泛化能力比较弱、分类精确度较低等影响。针对目前所提出的特征选择方法存在的问题,本文首先提出了采用邻域对称不确定性来衡量条件属性与决策属性的相关性、条件属性与条件属性的冗余性,采用了条件互信息来衡量条件属性与条件属性的交互性。接着基于特征选择过程中的最大相关性、最小冗余性和最大交互性原则提出了特征选择的目标评估函数。并在此基础上,本文创新性地提出了一种基于邻域粗糙集的特征选择算法。最后在实验环节部分,本文通过在9个真实的数据集上,与5个经典的特征选择算法进行对比实验,从3个不同的实验评价指标进行评估评判。实验结果表明,本文提出的算法能够获得泛化能力较强和分类精确度较高的属性子集,能够达到特征选择预期的结果和目的。