随着互联网、大数据、云计算等信息技术的快速发展,数据的规模急剧增长,数据的维度呈现高维性特点。如何对海量高维数据进行挖掘和分析,从中提取出潜在有价值的知识,值得广大学者深入研究和探索。粗糙集作为一种高维数据分析和计算理论,它以不需先数据本身以外的任何先验知识,可直接对不精确、不完备、不一致知识进行分析和挖掘,使得获取的知识相对更客观,已广泛应用在属性约简、特征选择、规则获取等技术。另外,当前数据的来源也日益丰富,越来越多的应用领域需要从不同的数据环境获取多源数据,特别是多源的高维数据将给数据的分析和应用带来难题。如何从多源的同类数据中去粗取精以获得有用的信息具有重要的研究意义。另外,数据的采集往往需要花费不同代价成本,如何在保证结果准确的基础上,降低成本为处理现实应用问题提供参考。因此,本文以多源信息系统为研究对象,以粗糙集为理论基础,研究了面向多源多标记数据的属性约简算法,并从测试代价视角,分析了多源数据的信息融合算法。主要创新点如下:第一,属性约简作为高维数据的重要关键步骤,可以提高学习算法的分类性能和降低算法的计算复杂性。现有的多源信息融合方法大多是集中在单决策系统上,较少考虑多源的多标记决策系统。然而,在许多实际应用中,有些数据来自不同数据源且同时带多个标记的现象,为此,本文提出了一种面向多源多标记数据的属性约简方法。首先利用信息熵方法对多源数据进行信息融合,为了消除数据中存在的某些冗余或不相关的特征,提出了基于正区域模型的多源多标记数据的属性约简算法。最后,通过实例详细说明了该算法的计算过程,并通过实验分析表明了该算法在多源多标记数据上的有效性。第二,从代价敏感学习视角,研究了基于测试代价的多源标记数据的信息融合算法。由于从不同数据源在收集数据所需要测试代价不尽相同,为此,在进行多源信息融合时考虑数据的测试代价是有意义的。属性约简用于融合实现,使用依赖度度量计算每个属性的重要性,以及考虑属性的测试代价对选择的影响,在此基础上,定义了新的信息融合算法,新算法能够保证属性的重要度情况下选择总测试代价小的信息融合结果,最后通过理论分析和实例计算说明其可行性与有效性。最后对算法的研究现状进行总结和对未来研究方向进行陈述。