当今,社会已经进入了网络信息时代,中小学教师继续教育培训从传统的面授模式进入到了现代远程教育模式。在这种模式下,学员的学习内容、学习方法、学习时间、学习地点都发生了深刻的变化。如何全面而准确地对教师参加继续教育培训的质量进行评估成为了一个重要研究课题。现在,各师资培训机构都在研究教师继续教育评价系统。这些评价系统通过给出相关的评价指标,搜集评价数据,经过数据挖掘,然后获得评价决策。然而由于处理数据来源于网络,这些评价系统几乎都要面临数据量大、数据不完备等问题。由Z.Pawlak于1982年提出的粗糙集理论恰好能够解决上面的问题。粗糙集理论是一个处理不确定、不完整知识的数学工具。该理论建立在论域中的不可分辨关系之上,用上、下近似来描述概念,不需要任何附加的信息或先验知识,就能有效地分析和处理不精确、不完整和不一致的数据。本文以教师继续教育评价系统为实际背景,以传统的粗糙集理论为基础,研究不完备信息系统下的知识约简算法。论文首先对粗糙集的相关理论做了介绍,分析了现有的扩展粗糙集模型的局限性,然后针对容差关系模型的不足,提出一种改进容差关系模型,实例证明,该模型与容差关系相比更强的分类能力,更加符合客观实际,并且增加了灵活性。然后介绍了传统的基于容差关系粗糙熵和与之相关的知识约简算法,分析了传统的基于容差关系的粗糙熵的不足,定义了基于改进容差关系的粗糙熵。然后,提出了一种新的能够处理不完备信息的基于改进容差关系的粗糙熵的属性约简算法。通过实例分析了算法的有效性。论文还介绍了多值可分辨矩阵,提出了基于多值可分辨矩阵值约简算法,然后应用它获取决策规则。论文的最后,设计和阐述了教师继续教育评估系统的总体结构与功能,并对数据采集模块、学员综合评估模块进行了详细设计,然后将文中研究得到的知识约简算法应用于评估系统中,建立了基于粗糙集理论的教师继续教育评估系统数据挖掘模型。