随着大数据时代的到来,企业越来越重视数据的价值,收集数据,建立自己的数据仓库,通过对数据的处理获得有效的决策支持,为企业带来可观的利益。但随着数据量的不断增加,数据的处理成本也在不断提高,而且对于数据的处理越来越注重时效性,太长的处理过程会减少数据的价值。因此,怎样能够在海量的数据中快速高效的获取知识成为了当前研究的一个热点。邻域粗糙集作为对传统粗糙集的延伸,弥补了传统粗糙集只能对离散数据进行处理的弊端,直接对连续数据进行处理,减少了因为数据离散化所带来的数据失真。但也因此带来了计算量偏大,处理时间偏长的问题。因此,为了使得信息的处理更有效率,本文将以粗糙集的理论知识为基础,从减少时间开销方面进行改进,并将其应用到分类器中。因此,本文主要做了以下几点:(1)分析现有属性约简算法,针对计算量偏大的不足,提出一种改进的投票式属性重要度定义。然后进一步提出了一种新的基于投票式的属性重要度的快速属性约简算法。该算法重新定义了对于属性重要度的求解,减少求解属性重要度的时间。经过对多个数据集的实验验证,该算法在减少计算时间,提高计算效率方面是有效的。(2)分析现有的分类算法的研究现状,从中选择ID3算法作为改进算法,提出基于投票式属性重要度的决策树算法。通过将投票式属性重要度作为分类节点的选择标准,设置?置信度控制决策树的规模。经过对多个数据集的实验验证,该算法在分类精度的提高以及决策树的规模控制方面均有所提高。(3)最后,对论文所提出的算法进行总结。