近年来,突发事件发生呈常态化趋势,其诱因复杂、发展迅猛,给各国家和地区带来严峻挑战。突发事件数据集记录的信息杂乱,不利于决策者做出科学有效的应急决策,需对其进行知识获取研究。现有面向突发事件的知识获取大多基于经典粗糙集,利用区分矩阵、重要度或信息熵方法设计算法,其处理突发事件数据集的效果欠佳且耗时较长。因此,本文利用覆盖粗糙集对突发事件决策表进行知识获取以提升数据处理效果,扩大粗糙集在应急管理领域中的应用。本文利用相关族方法对M逼近空间,D逼近空间覆盖粗糙集进行属性约简,并探究它们与图论之间的联系,借鉴图论中优化算法获取决策表的关键属性。突发事件数据集存在信息冗余、缺失,数据海量等问题,而相关族方法能对这样的决策表进行有效的属性约简。因此,本文以相关族和图论为基础探究突发事件的知识认识过程,主要包括属性约简、规则提取理论研究,算法设计与实例应用。首先,为便利后续工作,将一致和非一致决策表整合为统一框架,记为有效逼近集合,在此集合的基础上重新定义相关族。并利用相关族方法建立起超图极小顶点覆盖和权重极小顶点覆盖分别与决策表的属性约简和代价极小属性约简的新联系,从而得到决策表属性约简的新方法。其次,在相关族和贪心算法的基础上提出时间复杂度较低的属性约简算法(RFH)和代价极小属性约简算法(MCRFH),并考虑属性的分类能力和代价设计简化决策表的规则提取算法DRCR。最后,利用三种算法对环球恐怖袭击和新冠疫情数据集进行属性约简和规则提取。通过分析约简后的数据集和提取出的决策规则发现,利用本文方法得到的结果符合常规工作和生活中对此类事件的认知。本文在相关族和超图的基础上对突发事件进行知识获取研究,并考虑属性代价,使得决策者能够在短时间内得到较为简洁、获取成本低的关键因素和实用性较高的决策规则,达到快速开展援助救灾的目的,具有理论与实际的双重意义。