随着科技的不断进步，人工智能迅速发展。人工智能的发展离不开算法，而在算法中，分类技术是人工智能发展的重要组成部分。本书针对粗糙集分类技术的模型及其特征选择算法展开了深入研究。主要内容包括： （1）正向宏近似分类模型及其特征选择算法。正向宏近似分类模型把整个决策类集作为一个整体来近似，从宏观的角度描述了决策类集的上下近似，是一种能够快速求解一系列不同属性子集下系统近似的机制。基于正向宏近似分类模型提出的特征选择算法，采用正向宏近似分类模型快速产生边界，采用边界度量的属性重要度作为启发信息决定最优寻找路径，采用边界评估的约简准则来识别特征子集，有效提高计算效率。 （2）邻域划分分类模型及其特征选择算法。邻域划分分类模型采用邻域划分来描述分类模型，是对邻域决策粗糙集模型的改进和提升。基于邻域划分分类模型提出的特征选择算法，采用不平衡二叉树模型计算邻域，提高计算效率；采用邻域正域确定度来评估属性，提高分类精度。 （3）强化一致优势分类模型及其特征选择算法。强化一致优势分类模型按照强化一致优势原则建立了对象分类策略，具有很强的鲁棒性。基于强化一致优势分类模型提出的特征选择算法采用组合粗糙熵度量属性重要度，综合考虑了偏好决策系统的知识不确定性和目标决策类集的不确定性，能快速找到约简。 （4）混合数据分类模型及其在态势评估系统中的应用。介绍了混合数据分类模型，并把它应用于态势威胁评估分析，设计并实现了面向模型扩展的威胁评估系统。