当前区间类型数据的规模越来越大，若采用传统的属性约简方法进行处理，就需要对数据进行预处理，而这会损失原始信息。针对上述问题，提出了区间值决策系统 β分布的约简算法。首先，给出区间值决策系统 β分布的概念和约简目标，并证明了提出的相关定理；然后，对于该约简目标构建了 β分布约简的差别矩阵和差别函数，提出了区间值决策系统 β分布约简算法；最后，使用14组UCI数据集进行实验验证。在数据集Statlog上，当相似度阈值为0.6，对象数目为100、200、400、600、846时， β分布约简算法的平均约简长度为1.6、2.2、1.4、2.4、2.6，基于差别矩阵的分布约简算法（DRADM）的平均约简长度为2.0、3.0、3.0、4.0、4.0，基于差别矩阵的最大分布约简算法（MDRADM）的平均约简长度为2.0、3.0、3.0、4.0、3.0。实验结果验证了所提 β分布约简算法的有效性。

实际应用中存在大量动态增加的区间型数据，若采用传统的非增量正域属性约简方法进行约简，则需要对更新后的区间值数据集的正域约简进行重新计算，导致属性约简的计算效率大大降低。针对上述问题，提出区间值决策表的正域增量属性约简方法。首先，给出区间值决策表正域约简的相关概念；然后，讨论并证明单增量和组增量的正域更新机制，提出区间值决策表的正域单增量和组增量属性约简算法；最后，通过8组UCI数据集进行实验。当8组数据集的数据量由60%增加至100%时，传统非增量属性约简算法在8组数据集中的约简耗时分别为36.59 s、72.35 s、69.83 s、154.29 s、80.66 s、1498.11 s、4124.14 s和809.65 s，单增量属性约简算法的约简耗时分别为19.05 s、46.54 s、26.98 s、26.12 s、34.02 s、1270.87 s、1598.78 s和408.65 s，组增量属性约简算法的约简耗时分别为6.39 s、15.66 s、3.44 s、15.06 s、8.02 s、167.12 s、180.88 s和61.04 s。实验结果表明，提出的区间值决策表的正域增量式属性约简算法具有高效性。

现有的属性约简方法大部分关注决策系统中的所有决策类，而在实际决策过程中决策者往往仅关注决策系统中的一种或几种决策类。针对上述问题，提出基于多特定决策类的不完备决策系统正域约简的理论框架。首先，给出不完备决策系统单特定决策类正域约简的概念；第二，将单特定决策类正域约简推广到多特定决策类，构造了相应的差别矩阵及区分函数；第三，分析并证明了相关定理，提出基于差别矩阵的不完备决策系统多特定决策类正域约简算法（PRMDM）；最后，选取4组UCI数据集进行实验。在数据集Teaching-assistant-evaluation、House、Connectionist-bench和Cardiotocography上，基于差别矩阵的不完备决策系正域约简算法（PRDM）的平均约简长度分别为4.00、13.00、9.00和20.00，PRMDM算法（多特定决策类中决策类数目为2）的平均约简长度分别为3.00、8.00、8.00和18.00。实验结果验证了PRMDM算法的有效性。

针对经典肝脏功能性分段方法对门静脉血管数据的敏感性，结合Couinaud肝脏分段理论和门静脉分布特征，提出了基于层级血管树的肝脏分段方法：首先对腹腔CT数据进行肝脏分割、血管提取和骨架化；接着统计分析血管树分支半径，确定二级子树集合，按照供血区域对二级子树进行聚类完成对二级子树的归类划分；进而采用最短距离归类算法划分肝脏，得到各个肝段；最后运用三维可视化方法展现肝脏内部的解剖结构，并进行肝段诠析，提取临床感兴趣信息。实验结果表明该方法对分支较多、结构较复杂的血管树可以取得较好的分级效果，考虑了大部分二级分支的供血作用，分割得到的肝段分布和属性信息也符合Couinaud肝段分割理论。