现阶段,数据的获取方式简单且多样化,在提升模型效果的同时也产生了高维数据易存在噪声样本的问题。进而使得特征选择任务和构造具有鲁棒性的分类模型成为目前的研究热点。其中,模糊粗糙集理论作为特征选择和分类模型的理论基础,已经构造出了相应的模型。传统方法由于利用单一样本间的模糊相似关系来构造模型,使得建模过程中忽略了全局的关系,并且模型存在着对噪声敏感的问题。最终影响了模糊粗糙特征选择及相关分类模型的性能。为了提升基于模糊粗糙集理论模型的效果,本文针对传统的模糊粗糙集理论存在的不足,结合近邻思想分别提出了类间局部均值近邻理论和样本间局部均值近邻理论。两种理论均减弱了单一样本的影响,且考虑了待测样本关于多个样本间的模糊相似关系。使得在构造模型时可以考虑的更加均衡和全面,实现了提升模型的鲁棒性和性能的目的。在特征选择方面,本文结合新理论提出了四种特征选择方法。新方法基于不同局部均值近邻结构替代了传统模糊粗糙集去衡量特征间的关系,并利用模糊粗糙快速约简方法来选择特征。新的特征选择模型在原始模型的基础上通过考虑数据的全局信息实现了提升模型效果目的。实验结果表明,相比于其他方法,新方法选择的特征子集的质量更高。此外,本文将样本间局部均值近邻理论应用于分类任务中,提出了基于样本间局部均值近邻结构的分类方法。新方法在划分待分类样本时,通过新理论中多元关系来衡量待分类样本关于各个类别的隶属程度,实现分类的任务。新的分类方法同样利用了新理论的特性,在降低了噪声样本影响的同时更加全面的考虑了各个类别与待测样本间的关系。同样,最终实验结果表明,新的分类模型在准确率等指标下效果更优。