动态环境中的数据通常呈现持续增长、动态更新的变化特点,实时产生的新数据加入系统中将会导致原有知识结构的动态变化。三支决策增量学习模式在学习中充分利用了历史训练结果,通过对新增部分数据的局部学习降低了数据快速增长时知识更新方法对时间和空间的需求。而随着增量模型中较多旧知识的不断累积,系统的分类性能受到了干扰,导致系统数据在不断增加的过程中出现了概念漂移的问题。近年来,增量学习模式成为了动态三支决策中的重点研究课题,且在理论和实践领域皆取得了有意义的成果,但是针对增量模型中概念漂移问题的相关研究较少。本研究基于遗忘机制相关理论,设计了以数据的主动遗忘为核心的算法模式,提出了一种三支决策主动遗忘计算方法。在主动遗忘计算方法基础上,提出了两种三支决策增量学习优化计算方法。具体研究工作包括:(1)基于概率粗糙集三支决策模型,通过分析动态三支决策环境下的数据变化模式,推导了数据主动遗忘计算中信息系统原有决策规则条件概率的变化情况,并基于此给出了概率粗糙三支近似的遗忘更新原理,实现了待遗忘数据的快速遗忘计算。最后在公共数据集上进行对比实验,实验结果表明,相比于经典计算算法,主动遗忘计算算法在运行时间开销上有巨大的优势。(2)为有效处理三支决策增量学习模型中的概念漂移,在主动遗忘计算算法基础上,将回溯思想和启发式优化算法引入三支决策增量学习的优化计算中,提出了两种基于主动遗忘计算的三支决策增量学习优化计算算法,以探索三支决策增量学习模型的最佳性能。最后在人工数据集上进行对比实验,实验结果表明,两种算法均能有效处理增量模型中的概念漂移问题。(3)为解决国家电网生产中的油温分析中的概念漂移问题。基于油温预测分析实例,设计了一系列算法流程,展示了两种具有遗忘机制的三支决策增量学习算法在实例中的一般应用过程。通过几组对比实验结果表明,具有遗忘机制的三支决策增量学习算法在油温分析实例中表现出较大的优势。