数据在实际应用中呈现出多种变化形式。对象增加、维度增加和属性值变化是数据动态变化的三种重要类型。在粗糙集理论中，动态数据的属性约简问题一直备受关注。然而，现有的属性约简算法大多都只适用于静态数据集的处理。基于这些算法获取动态数据的属性约简，不能有效利用已有知识，而是在更新后的决策表上重新运行当前算法计算约简。显然，这种方法非常耗时甚至有时是不可行的。为了提高属性约简的效率，已有学者提出了基于决策表区分矩阵的增量算法。这种算法利用增量信息更新决策表区分矩阵，进而计算更新后决策表的所有约简。但需要指出的是，由于同一个等价类中的元素条件属性完全相同，导致这些元素在矩阵中对应位置也完全一致，即矩阵中存在着重复的矩阵项。这在很大程度上降低了矩阵的更新速度。　　基于上述分析，本文针对数据动态变化的三种类型，分别给出了相应的增量约简算法。主要工作如下：　　1.针对对象动态增长的数据，构造了正域意义下、香农熵意义下、互补熵意义下压缩决策表的区分矩阵，分析了三种代表性区分矩阵在对象动态增长时的更新机制，设计了基于压缩决策表区分矩阵的增量属性约简算法。　　2.面向属性动态增长的、属性值动态变化的数据，分析了正域意义下、香农熵意义下、互补熵意义下决策表区分矩阵的更新机制，提出了基于决策表区分矩阵的增量算法。　　3.为了进一步改善面向属性动态增长数据、属性值动态变化数据的增量算法的性能，定义了一种新的压缩决策表，构造了该压缩决策表的三种区分矩阵，分析了这些区分矩阵在属性动态增长和属性值动态变化时的更新机制，并设计了基于新压缩决策表区分矩阵的增量属性约简算法。