在目前很多复杂数据处理的方法中,粗糙集理论作为智能信息处理的一种重要方法,对于研究如何通过已有的数学工具来模拟人的思维活动和认知过程有着不可低估的作用。但当数据的结构变得复杂多变时,经典粗糙集理论已经不再适应实际应用。为此,利用粗糙集理论处理复杂问题就必须从数据出发,重新扩展粗糙集的相关概念。本文从样本的抽样、样本间的二元关系及样本标签等不同的视角出发,以粗糙集为数据建模和属性约简为研究内容,取得了如下的研究成果:1.针对生活中存在的很多不平衡数据,从粗糙粒计算的角度来看,基于邻域决策错误率的属性约简虽然提高了分类器的分类性能,但是这样的约简策略没有能很好的关注不平衡数据中的少数类样本。为此,设计了一种基于样本采样方法的属性约简,以期望达到提高小类样本分类精度的目的。2.属性约简作为粗糙集理论研究的核心问题之一,虽然具有丰富的语义解释,但这一方法仍然可能会带来过拟合现象。这种过拟合现象与学习任务中的过拟合是有一定区别的,因为属性约简的目标是找到一个满足给定约束条件的属性子集或者进行属性排序,而非训练出一个学习模型。因此属性约简带来的过拟合现象可以表现为在训练样本上所得到的属性子集满足所给的约束条件,而在测试样本上利用这一属性子集则有可能达不到约束条件。为此,设计了一种截断的启发式算法。其目的是为了缓减或消除属性约简中出现的过拟合现象。3.伪标记决策粗糙集的数据建模。在决策粗糙集理论中,决策代价用于生成表示概率近似的阈值。与其他粗糙集相似,这一过程可以通过使用不同的二元关系来形成许多广义的决策粗糙集。然而,应该注意的是,大多数计算二元关系的过程并未考虑样本的标签信息,这可能导致较低的分类性能。例如,带有不同标签的样本被认为是无法区分的。为了弥补这一空白,本文提出了一种伪标记策略,用于构建新的决策理论粗糙集。