属性约简是机器学习等领域中常用的数据预处理方法。在基于粗糙集理论的属性约简算法中，大多是根据单一的方法来度量属性重要度。为了从多角度对属性达到更为优越的评估效果，首先在已有的模糊邻域粗糙集模型中定义属性依赖度度量，然后根据粒计算理论中知识粒度的概念，在模糊邻域粗糙集模型下提出了模糊邻域粒度度量。由于属性依赖度和知识粒度代表了不同视角的属性评估方法，因此将这两种方法结合起来用于信息系统的属性重要度评估，最后给出一种启发式属性约简算法。实验结果表明，所提出的算法具有较好的属性约简性能。