粗糙集理论是由波兰科学家Z.Pawlak提出的一种用来处理模糊和不确定知识的数学工具,目前广泛应用于复杂系统优化、人工智能、数据挖掘等领域。属性约简是其研究的核心内容。属性约简指的是在保持原有信息系统分类能力不变的前提下,删去系统中的冗余属性的过程,并且处理后的系统仍然能够表示原有的信息系统。如何找到合理有效的约简算法仍是粗糙集理论的重要内容之一。在决策表中,每个属性的重要性是不同的,所以如何度量属性的重要性是属性约简中的一个关键问题。为了解决现有的属性重要性度量方法通常忽略了属性之间的相互作用和相互联系这个问题,本文提出了基于差异度的度量方法。该方法首先将给定的集合按照条件属性的取值拆分为若干子集,然后计算属性子集描述信息系统相对于全部属性描述而言,所造成的划分的差异程度,这也从侧面反映了属性子集相对于全部属性的重要程度,因此可以根据差异度进行属性重要性的度量。进而针对综合评价问题中模糊综合函数的选择问题,结合Choquet模糊积分,建立了一种基于决策信息系统的综合评价模型,最后结合一个实例分析了该方法的特点。实验结果表明,该方法具有良好的有效性和可操作性,在机器学习、系统工程、绩效评价等诸多领域有着广泛的应用价值。