序贯三支决策作为当前粒计算领域兴起的一个研究热点,因其能够提供一个灵活的机制,实现了渐进计算的思想,已被广泛应用于图像处理、语音识别、医疗诊断等方面。在信息不足以做出精准决策时,序贯三支决策可以进一步收集信息,通过逐步粒化的方式将复杂问题从粗粒度空间转化到细粒度空间进行求解。然而,随着这种决策方法的深入发展,其自身仍存在一些问题需要进一步探究。例如,在现有研究中,由于代价参数大多都是通过专家经验给定,这使得参数缺少了一定的自适应性;另外,在代价敏感的序贯三支决策最优粒度选择中,存在没有充分考虑属性之间的相关性及代价之间量纲不统一等问题。为此,本文针对以上问题进行了相关研究:针对代价参数缺少自适应性问题,本文首先通过相邻两个粒层之间的分类精度差,定义了序贯三支决策中两类负效益分类;然后,通过引入机器学习中的惩罚函数,制定了代价参数的惩罚规则,并给出相邻粒层之间代价参数的映射关系;同时,探究了决策阈值因代价参数变化而产生的相关性质规律;最后,基于贝叶斯最小风险决策理论,给出每一粒层上的三支决策方法,进而构建了优化的序贯三支分类模型;实验结果表明该模型能够提高分类准确率。针对代价敏感的最优粒度选择问题,本文首先利用信息增益衡量当前属性对论域划分的效果,给出了一种新的属性重要度计算方法;同时,基于卡方检验剔除了冗余或者不相关的属性;其次,为了更好地符合实际应用,将代价参数与粒度相结合,制定了新的惩罚规则,并讨论了决策阈值相关的变化规律;最后,基于变异系数和z-score标准化构建了一种合理的代价结构,用于计算模型代价;实验结果表明该模型适用于代价认知场景,能在给定代价情况下选出代价最小的最优粒层。综上,在代价参数的构造过程中引入惩罚函数能够有效地提高序贯三支决策模型的性能以及解决一些实际的应用场景需求。