粗糙集理论是研究不确定、不完整知识的理论方法,它被广泛应用于数据挖掘、人工智能和模式识别等许多领域。属性约简,即在不影响原决策表分类质量的情况下,通过最少的属性来表示决策表的信息,是粗糙集理论研究的核心之一。目前,并行属性约简是粗糙集属性约简研究的热点,它将粗糙集理论从单个信息表或单个决策表推广到多个信息表或决策表,其思想也更符合人类解决问题的思维习惯,也充分体现了粒计算的思想。由于许多优点,并行属性约简得到了许多学者的关注。目前基于决策信息系统的增量式属性约简算法一般采用以下思路:在原决策表中新增加一个对象时,要对这个决策表重新划分新的等价类,为了降低处理增量式数据的复杂度,本文提出了决策信息系统的增量式F-并行属性约简算法。本文主要内容包括四部分:1.对粗糙集理论、F-粗糙集和并行属性约简的相关知识进行介绍。2.在基于F-粗糙集模型和并行属性约简上,本文提出决策信息系统的增量式F-并行属性约简算法。该算法将增加的多行记录组成一个或若干个新的信息系统进行并行计算,能够很好的适应新加入的数据,同时通过利用启发式信息避免了增量式属性约简时间复杂度过高的问题,时间效率提高。3.对基于不确定信息系统的动态属性约简算法和增量式F-并行属性约简算法通过时间复杂度分析从理论上说明了增量式F-并行属性约简算法的可行性和高效性。同时,对五组UCI中的数据集在MATLABR2010a环境下进行实验仿真,对这两种算法进行了对比,得出了如下结论:通过增量式F-并行属性约简算法求得的约简长度在某些数据集上小于基于不确定信息系统的动态属性约简算法求得的约简长度,并且运行时间明显比基于不确定信息系统的动态属性约简算法小,这进一步证明了增量式F-并行属性约简算法的高效性。4.将增量式F-并行属性约简算法应用在医学乳腺肿瘤细胞种类的确定上,使用增量式F-并行属性约简算法对威斯康星乳腺癌数据集进行属性约简与分析,并对乳腺癌患者进行确诊,最终对相应的决策规则进行提取。最后,根据决策属性值分析了患有乳腺癌人群的发病特点与乳腺癌的确诊之间的关系。