知识发现是当前计算机科学与人工智能领域最为活跃的研究课题之一,粗糙集由于其特有的优势,成为了知识发现领域非常重要的理论。而连续属性离散化是利用粗糙集进行知识获取所必要的数据预处理阶段。本文以知识发现为引子,以粗糙集和信息论为理论基础,以决策表下连续属性离散化为研究对象,提出了两种基于信息论的决策表连续属性离散化算法。算法运用了信息论的相关概念,保证了在离散化的过程中信息的低损失度和数据处理的高效性,并通过合理的实验验证了本文算法的有效性。本文的主要工作如下：1>论述研究背景,指出粗糙集在处理连续属性数据时的局限性,并对离散化算法的研究现状进行了综合探讨；2>介绍粗糙集的重要表示形式——决策表,指出决策表对知识发现的重要性,并给出在决策表下连续属性离散化的形式化定义。3>介绍信息论的基本概念,给出了知识的信息化表示,在此基础上对粗糙集中的主要概念和运算进行了信息化的描述,证明了粗糙集的代数表示与信息表示之间的在属性约简下的相关性。4>提出了两种基于信息论的决策表连续属性离散化算法,两种算法都是运用了信息论中的统计学概念,并以决策表的不一致率为停止条件,在高效离散的基础上保证了决策表的不相容性不发生改变；5>在VC++6.0环境下实现了本文提出的两个算法,并对离散化后的数据利用DMBench平台下C4.5与SVM进行分类处理,与其他算法离散后数据分类结果进行比较,证明了本文提出算法的有效性