粗糙集(Rough Sets)理论是由波兰学者Pawlak教授提出的一种处理不精确、不一致和不完备数据的有效方法。经过30多年的发展,粗糙集理论已被广泛应用于数据挖掘、机器学习、决策分析等领域。属性约简的目的是去除信息系统中的冗余属性以获取保持信息系统某种分类能力不变的最小属性集描述。诸多学者对此进行了大量深入研究,促成了以多种约简目标主导的属性约简体系的形成。随着研究工作的不断深入,该体系在理论和实际应用方面的研究层次不断提高,但仍然存在一些不足之处,总结如下:(1)尚缺乏有效的启发式广义决策保持属性约简算法。(2)分布约简的约简标准过于严格,与某些实际应用的需求不符。(3)核属性经常被选作前向贪婪启发式约简算法的起点,但目前的求核算法在时间开销方面较大。本文从理论和算法两个方面对多目标属性约简体系在一定程度上进行了完善,具体工作如下:(1)介绍了粗糙集理论的研究背景和意义,对多目标属性约简体系在理论和算法两方面的研究进展进行了概述,并简要介绍了粗糙集理论的基本概念。(2)介绍了基于可辨识矩阵的广义决策保持属性约简算法,考虑到该算法的时间和空间复杂度较高,故提出了局部相似度和整体相似度的概念,并以整体相似度为启发因子,设计了两种启发式广义决策保持属性约简算法,通过实验验证了两种启发式约简算法的有效性和正确性。(3)引入了[α,β]决策-置信度序偶集,据此给出了广义分布保持属性约简的定义,给出了广义分布保持属性约简的判定方法、求解算法,并深入探讨了广义分布保持属性约简与其它几种约简之间的关系,通过实验验证了相关结论的正确性。(4)分析并指出已有求核算法效率低下的原因之一是大量的重复计算,据此,构建了一种可最大程度减少重复计算的方法,并利用该方法设计了一种通用的核属性快速求解算法,通过实验验证了算法的有效性和高效性。