现实生活中信息系统的属性不仅多样化、维度高、而且包含噪音、冗余和不相关属性,为了消除噪音等对计算过程和最终结果造成的影响,解决数据计算的复杂性和准确性问题,需要选择合适的知识获取方法。随着近年来数据爆炸式增长,并行技术显得越来越重要,并行计算能够提高性能和存储空间,使得单机计算和存储瓶颈得以解决。本论文结合粗糙集理论,运用并行计算的思想对知识获取方法进行研究,旨在将并行计算与粗糙集理论相结合,在解决数据计算复杂性和准确性问题基础上,提高计算性能和计算效率,处理串行算法在对大型信息系统计算时出现的时间过长、内存溢出和宕机等问题。主要研究工作如下:(1)针对连续数据离散化问题,提出了基于MPI和聚类的连续属性并行离散化方法。首先,对信息系统分块,并将数据块分配给各个计算节点;其次,进行并行聚类,对数据进行归一化处理后,基于k均值算法对属性做聚类操作,得到聚类结果;最后,采用几万到几十万不等的数据集进行了仿真实验,实验结果表明:基于MPI的并行聚类离散化算法极大地缩短了串行算法的运行时间,能够用来处理大规模数据,提高计算性能和计算效率。(2)针对离散化数据的知识约简问题,提出了基于MPI和分辨矩阵的并行知识约简方法。首先,分配并行任务,同时计算等价类,得到等价类结果;其次,各节点根据分配到的任务并行构建分辨矩阵,计算属性核,然后,由属性核最终计算得到知识约简结果;最后,采用几百到几十万不等的数据集进行了仿真实验,实验结果表明:基于MPI利用分辨矩阵并行求知识约简的算法在保持约简结果不变的条件下,能够解决串行算法的时间和空间瓶颈,用来处理大规模数据集。本文的并行计算方法很容易拓展,如果增加可用的计算资源,计算速度会进一步得到提升。