区间概念格的参数优化问题不同于传统的参数优化问题。来源于区间概念格的区间参数，其取值直接影响着格结构的规模和稳定性，并对后续基于此挖掘出的关联规则，分类规则的数目和精度以及决策准则的效率产生着影响。目前人为主观地选取区间参数值有很大的不确定性和弊端，鉴于此设计区间参数优化模型。　　首先，数据量暴涨的现状会导致格结构中概念结点冗余，因此要进行概念格的压缩约简。结合形式背景下二元关系对与对象的近邻的定义提出了区间概念格的压缩算子，构建了基于压缩理论的区间参数优化模型，通过调节压缩度获取格结点冗余最少时的区间参数，并给出实例验证模型的有效性。　　其次，考虑到区间参数的改变只会改变部分概念结点和格结构，因此在之前的重建算法上提出了概念格的更新算法。结合基于区间概念格的关联规则提取算法，提出了基于关联规则的区间参数优化模型。实例分析表明了当区间参数取值接近[0.5,1]时，由此挖掘出的关联规则的数目适中且精度较高。　　再次，鉴于概念格本身对数据分类的特点，设计了基于区间概念格的分类规则提取算法。发现当区间参数改变时，概念的分类规则的数目和精度都会随之变化，由此提出基于分类规则的区间参数优化模型，通过控制规则的数目和精度，达到调节区间参数的目的。实例验证了模型的有效性。　　最后，站在三支决策空间的角度上，给出了基于三支决策空间的区间参数优化模型的应用，通过图书推荐案例讨论了区间参数的改变对决策准则的影响，进一步验证了区间参数的有效取值，并达成近似一致。