数据分类是机器学习领域中一种重要的数据处理方法,其主要任务是通过归纳和学习一系列带有类标签的数据样本,去建立一个能反映样本和标签之间映射关系的模型。在当今信息化的时代,数据通常会包含多层次、多视角的知识和信息,因此关于如何从人类处理复杂问题的思路出发去解决分类问题是值得深入研究的。粒计算作为一种新兴的信息处理方法,能够模拟人类认知、分析和处理问题的方式去处理分类问题,且可以帮助用户探索数据中隐藏的一些多层次和多视角的知识。因此,本文基于粒计算的框架对数据分类展开了研究,主要的贡献如下:（1）针对传统的信息粒化方法通常只能在单一信息粒度下进行粒分类建模的问题,本文提出了一种多信息粒度下的分类建模方法。当面对多样化分布的数据时,单一信息粒度下所构造的信息粒可能无法捕获到数据的本质特征。为解决上述问题,本文通过引入信息粒的覆盖性（Coverage）和特殊性（Specificity）的概念,把分类建模过程中多信息粒度下的信息粒化问题转换成一个受信息粒度水平变量约束的粒边界优化问题。在不同信息粒度取值下对优化问题进行求解就可以获得在对应粒度水平下的信息粒。随后本文将这种信息粒化方法和基于规则的分类方法进行结合,在多信息粒度下构造了基于信息粒表达的数据分类模型。数值实验结果表明,基于信息粒表达的分类模型可以在拥有简洁分类规则的同时保持较高的分类准确度。（2）针对在多维数据分类中数据的整体特征容易被忽视的问题,本文提出了基于联合超球信息粒的数据分类算法。人类在面对多维数据时,会参考数据在直观视角下的整体分布特征（如样本在几何空间中的分布形状等）去进行分类决策,但是一些常见的分类算法往往忽视了这种建模思路而只关注如何去提升模型的分类准确度。为了解决这个问题,本文设计了“超球信息粒”和“联合超球信息粒”这类针对多维数据的信息粒表达形式,并提出了基于联合超球信息粒的数据分类方法。在多信息粒度思路下,围绕多维数据的每个类别去构造相应的联合超球信息粒,并把构造的联合超球信息粒和相应的类标签分别当作对应分类规则的条件部分和结论部分,实现了分类建模。数值实验结果表明,在建模过程中所构造的每一个联合超球信息粒均能够描述其对应类别样本的整体分布特征,既保证了模型能拥有优于一些经典分类算法的分类准确度,又使得模型拥有直观且便于用户理解的结构。（3）针对不平衡数据分类,本文提出了基于粒描述的数据分类算法。常见的不平衡数据分类方法在建模前往往会根据不平衡数据的不平衡率（即多数类和少数类样本的比例）对数据进行预处理,这在一定程度上造成了对原始数据的破坏,忽视了数据的本质特征。为解决上述问题,本文首先对数据的粒描述进行了研究,然后以粒描述为基础提出了一种自下而上的融合式信息粒化方法,在不平衡数据的多数类样本和少数类样本上构造出两个规模悬殊的联合信息粒,实现对数据样本（尤其是少数类样本）分布信息的描述和捕获。此外,本文还在不同的闵可夫斯基距离参数下计算了信息粒融合过程中所涉及的距离度量,以探索不平衡数据样本更细节的特征。数值实验结果表明,所提出的分类算法可以在无需数据重采样、特征选择的等预处理方法辅助的情况下构造出性能优秀的不平衡数据粒分类模型。