高效的属性约简算法是粗糙集理论在智能决策和数据挖掘等领域应用的必要基础。有研究者已经从理论上证明找出一个信息系统的最小约简是一个属性组合的爆炸性增长问题，不存在统一并且高效规范的约简算法。因此，探求更为有效的属性约简算法，快速地找到更多的最优约简或次优约简，使得算法的时间复杂度与空间复杂度更低，是粗糙集理论深入研究的重要课题。本文首先阐述了粗糙集、差分演化和小生境等基础理论知识，研究了粗糙集理论的属性约简一般方法，如基于差别矩阵的属性约简算法、基于差别函数的属性约简算法和基于属性依赖度的属性约简方法等，重点研究了基于属性依赖度的差分演化属性约简方法，同时也分析比较了各约简算法的优缺点。在分析和研究的基础上，针对原始的差分演化属性约简算法可能出现早熟现象而容易陷入局部最优解的情况，设计出了一种新的基于属性依赖度的小生境离散差分演化粗糙集属性约简算法。该算法主要特点是将生物学中小生境的概念引入到粗糙集属性约简中，采用基于类似于淘汰模式的小生境排斥运算机制，通过引入惩罚函数的方式调整种群中个体的适应度，让种群中的个体在不同的生存环境中进化，从而维持群体的多样性，确保约简算法能够在整个可行解空间里搜索，找到更多的属性相对最小约简。最后，通过实验进行分析和比较，验证了基于属性依赖度的小生境离散差分演化粗糙集属性约简算法是可行有效的，它在求解出决策表更多的属性相对最小约简方面有明显的优势。