随着数据库技术、数据仓库技术的迅速发展,存储的数据急剧增长,传统的数据分析和查询方法已经不能满足人们对隐含在数据中的知识的渴求。知识发现是研究如何快速、准确地从杂乱无章的海量数据中挖掘潜在的有利用价值的信息,并用于预测未来的行为。1982年,波兰学者Pawlak.Z提出了粗糙集理论,作为一种新的数据挖掘方法,能在保持分类能力不变的情况下,通过属性约简,达到知识获取并简化知识的目的,成为新的热点研究问题。然而粗糙集的属性约简是一个NP-hard问题,常见的启发式属性约简算法有基于差别矩阵的约简算法、基于属性重要度的约简算法、基于信息熵的约简算法和基于遗传算法的属性约简。本文介绍了两种改进的启发式属性约简算法,其一是改进的差别矩阵DMI算法和属性频率作为重要度相结合的算法,能大幅度降低差别矩阵的计算量；其二是无需求核的基于条件熵的属性约简算法,对于无核属性的决策表,根据每个属性加入约简集之后求其相对于决策属性的条件熵是呈递减特性,从而求得相对约简。通过实例分析了这两种算法的执行过程和可行性,也提出了它们的局限性。为了解决决策表中不相容的数据问题,本文提出了一种新的属性约简算法：首先基于等价类划分的方法,重新划分条件属性相同而决策属性不同的对象归为一个对象,消除不相容的数据后,再通过计算属性集上下近似的方法,求得属性集的边界域率,选取令边界域率最小的属性加入到约简集中,并不断缩小论域,直到为空为止。最后在所得约简集中依次判断每个属性是否是冗余的,从而得到决策表的一个相对约简。分析了算法的时间复杂度,并经过实验数据证明了算法是高效和可行的,对比前面两种算法,在性能上有了较大的提高。并验证了该算法所得的约简一般是最优解或次优解。最后将此算法应用于教学评价系统中,对教学评分数据进行分析得出影响教学质量的主要因素,从而验证了粗糙集属性约简具有应用意义