粗糙集理论(Rough Set theory, RS)是由波兰华沙理工大学Pawlak教授于上世纪80年代初提出的一种处理不精确(imprecise)、不一致(inconsistent)、不完整(incomplete)等各类不完备信息的有用的数据分析理论,其优点之一就是不需要先验知识。决策粗糙集作为经典粗糙集模型的扩展,引入了概率包含关系,增加了粗糙集模型的容错能力。本文深入研究决策粗糙集中属性约简以及规则提取的相关理论和方法,主要工作体现在以下两个方面：第一,在决策粗糙集中,正域不再随着属性的增加而增大,因此保持正域不变的约简在决策粗糙集中已经不再合适。本文针对保持全部对象正决策不发生改变的约简定义,为了高效获取约简,设计了一种启发式函数——决策重要度。这种启发式函数能根据每个属性正决策对象集合的大小来定义其重要性,正决策对象集合越大表示属性重要性越高。然后,以决策重要度为启发函数,构造了一种启发式属性约简算法。该算法的优点是通过对属性决策重要度进行排序来确定搜索方向,避免了属性的组合计算,减少了计算量,能够找出一个较小的约简集。测验结果表明,该方法是有效的,能够获得较好的约简效果。第二,从约简后的数据中获取决策规则,把提取的极小规则集用作分类器,可以更好地预测数据。本文通过使用规则的出现频率作为启发式信息,利用吸收律从合取范式中求规则集的约简,给出了求极小规则集的一种启发式算法。该算法可以快速的获取一个极小规则集。实验表明,该算法具有较高的效率,可以在实际应用中发挥良好的应用价值。最后,对本文的相关研究内容进行了总结,并进一步提出了本文将来的研究方向。