随着科技的进步与发展,人们能够采集到的数据规模正在不断地增加。如何从这些数据中提取有价值的信息已经成为人们关注的重点问题。粗糙集作为一种信息处理工具经过了几十年的研究和发展,已经被广泛应用于机器学习、数据挖掘等多种领域中。经典粗糙集只能够处理离散型数据,因此需要对连续数据进行离散化处理。离散化算法可以分成有监督和无监督两种算法,其中,无监督离散化算法不需要考虑类别属性,因此这类算法效率高,但是离散化后数据的分类精度较差。有监督离散化算法借助类别属性来指导离散过程,从而可以获得较好的离散化效果。目前大部分有监督离散化算法为单属性离散化算法,该类算法没有考虑多维属性之间的关系,很难得到数目少且较优的断点集。属性约简是粗糙集理论的核心内容之一。目前很多学者根据不同的理论提出了许多优秀的属性约简算法。差别矩阵方法因其简单直观受到了广泛的关注,但是该方法的主要问题就是矩阵中存在大量的冗余的差别信息元素,这些冗余元素不仅对影响算法运行结果而且导致空间存储代价很高。针对这些缺点,许多研究者根据不同的存储结构来对该算法进行改进。基于区分链表的属性约简是一种利用链表结构来存储差别信息的方法,该方法在一定程度上降低了空间代价,但是该方法只是在构造链表中删除了那些包含核的差别信息元素,对于那些没有包含核且重复的元素没有做出处理。本文的研究工作主要有以下三个方面:首先,本文提出了一种基于二元蚁群和变精度粗糙集的多属性离散化算法,该算法通过在候选断点集上建立二元蚁群网络,运用变精度粗糙集的近似分类精度来构建适宜度评价函数,以此来搜索最优的离散断点集,通过实验表明该方法在降低断点数量以及提高分类准确率方面有所改善;然后,针对区分链表的缺点,本文提出了二进制链表结构来存储差别信息,在构造该链表过程中所有的冗余元素都会被删除并在此结构的基础上提出了相应的属性约简算法。多组数据的实验结果表明本文提出的属性约简算法可以更快地获得约简集。最后,结合这两种算法设计并实现一个基于粗糙集预处理的葡萄酒质量预测系统。