知识发现与数据挖掘究其本质讲是一种机器学习。分类是许多机器学习问题解决的基础。随着科技的不断进步和研究的进一步深入,单分类器已不能满足人们的应用要求,在这种情况下,多分类器组合便成为解决分类问题的一种重要的手段。本文深入讨论了多分类器组合及知识发现与数据挖掘中存在的问题,结合基于知识库的知识发现研究探讨了用粗糙集理论进行知识发现的模型和方法。　总结起来,本文做了如下几个方面的研究工作:　u 提出了一种基于知识库的知识发现模型,是一种高效的基于知识库的机器学习方法,能更好地发现知识库中的知识。该模型可以对超大数据库进行分段/分块处理,也可以推广到分布式数据挖掘上来,在增量式学习和异种数据源的处理上也是可以胜任的; u 本文给出了相应的基于粗糙集的改进算法,对规则知识作了试验工作并给出了试验的结果,表明本文给出的改进算法的可行性和有效性。u 在对规则知识的矛盾、冲突等处理上也给出了自己的办法,改进目前研究中的一些不足,提高了知识的精度。u 本文提出的模型及相应的改进算法工作主要集中在对知识库的一种更深层次的知识发现,而不同于KDD&K 机制,因为后者主要是对发现的知识进行学习,反过来又指导KDD 过程。u 将粗糙集理论引入到了基于知识库的知识发现中并取得了良好的效果。粗糙集理论较一些常用的知识发现与数据挖掘方法有很多优势,比如不需要先验知识,算法简单,易于操作等。