在粗糙集领域, 属性约简的首要任务是在保持原有数据相关特性的前提下, 获取一个最小的属性子集. 代价敏感学习的目标旨在最小化各类代价. 而近似属性约简的意义在于让决策者能够权衡代价承受能力和知识发现的程度. 本文在定性和定量的标准下提出了代价敏感近似属性约简的问题; 定性标准指不可分辨能力, 定量标准指近似参数 ε 和代价. 基于三支决策和可分辨矩阵, 提出了解决代价敏感近似属性约简问题的框架: 首先, 定义了属性子集的质量函数, 该函数解释了多粒度结构; 其次, 通过考察属性重要度, 提出了 “性价比” 指标的适应函数; 进而利用提出的适应函数和三支决策中的 (α, β) 阈值对三分属性集合; 最后, 设计了删除策略和添加策略的代价敏感属性约简算法. 从实验结果分析上验证了算法的有效性, 体现了提出的问题和理论框架具有更广义的解释和适应性.