多粒度粗糙集是使用多个颗粒结构对经典粗糙集的扩展。 目前，已经提出了三个重要的多粒度粗糙集，它们是乐观，悲观和b多重粒度方法。 但是，这三个多粒度粗糙集没有考虑测试成本，这是数据挖掘和机器学习中的重要问题。 为解决这一问题，本文提出了一种测试成本敏感的多粒度粗糙集模型。 我们表明，测试成本敏感的多粒度粗糙集是乐观，悲观和b多重粒度粗糙集的推广。 此外，发现传统的启发式算法不适合用于测试成本较低的粒度结构选择，然后提出一种回溯算法，以最小的测试成本进行粒度结构选择。 该算法在十个UCI（