粗糙集理论是由波兰科学家Z.Pawlak在1982年提出的一种处理模糊和不确定知识的数学工具,已经成功应用于机器学习,模式识别,数据挖掘等领域。利用粗糙集理论进行数据挖掘,抽取知识规则,最重要的一点就是基于粗糙集的属性约简和规则提取算法的研究。通过约简的操作,降低属性的维数,提取出适合于决策支持的知识规则,是粗糙集理论的最重要应用之一。属性约简的求解是一个NP-Hard问题,导致该问题的主要原因是属性的组合爆炸。目前还不存在一种非常有效的方法,因此寻求快速的属性约简算法仍是粗糙集理论的研究热点之一。本文首先分析研究了基于条件信息熵的属性约简算法CEBARKCC,改进了CEBARKCC算法,减少了该算法中对属性重要度的不必要计算,提高了效率。接着利用粗糙集概率分布函数中的一些重要性质提出了一种新的属性约简算法,算法以属性全集出发,循环删除冗余属性直到不能删除为止,最终得到属性约简集。该算法避免了求取属性核和属性重要度的复杂度过程,简单明了,可用较少的计算时间求出约简,执行效率高于基于信息熵和基于辨识矩阵的属性约简算法。在规则提取方面,本文提出了一种基于粗糙集决策树的规则提取算法。算法以粗糙集中概率分布函数中可信度的定义,选取使生成规则的可信度大于等于用户输入的可信度阀值且支持度最大的属性作为结点,简化了生成的决策树,提高了决策树的泛化能力,有效地去除了噪音规则,提取的决策规则简洁有效。最后,本文用MATLAB工具实现了三种算法,并采用UCI机器学习数据库中的大量数据来验证算法的正确性和有效性。该课题受到福建省教委科技项目“基于灰色粗糙集理论的知识获取方法的研究”(Ja05290)资助。