随着数据库技术的飞速发展以及数据库管理系统的广泛应用,人们所拥有的数据急剧增加,可是目前用于对这些数据进行分析处理的工具却很少。人们希望根据现有的数据预测未来的发展趋势。数据挖掘技术应运而生,它是目前数据库和信息决策领域最前沿的研究方向之一。粗糙集理论是波兰数学家Z.Pawlak在1982年提出的一种处理模糊和不确定信息的数学工具,其主要思想是在保持分类能力不变的前提下,通过知识约简,导出问题的决策或分类规则。粗糙集理论常与规则归纳、分类和聚类方法结合使用。本文首先介绍了数据挖掘和粗糙集理论的基本概念、发展及应用,分析了粗糙集理论与数据挖掘方法的特点,并对粗糙集理论在数据挖掘中的应用进行了综合的分析。通过对粗糙集理论与聚类算法的分析,提出将粗糙集理论中的上、下近似概念引入到利用分层的平衡迭代归约及聚类算法中,分析在多阈值方法下数据对象同时属于多个簇的情况下数据对象的归属问题。对已有类似算法做出相应改进,比较实验结果证明改进算法具有较高的精度。离群点挖掘是数据挖掘中的一个重要研究内容。在分析比较了目前常用的多种离群点查找方法之后,针对近年来在许多应用领域出现的称为数据流的新型数据形式,提出了一种基于K-均值聚类和凝聚聚类的离群点查找方法,并进行了实验分析。实验结果说明算法是有效可行的。