粗糙集做为一个重要的数据分析处理理论工具,其优势在于对数据处理时,不需要任何有关于待处理数据预备或额外的信息。基于粗糙集理论的数据挖掘工作已经取得了一定进展,寻求高效的属性约简算法以及规则生成算法是研究的重点。基于正域、分辨矩阵等属性约简算法在一定条件下能够取得比较好约简效果,但这些算法必须求核,增加了时间复杂度,而且没有考虑到条件属性之间的依赖性,不能去除冗余属性,在处理高维数据时无法取得较好的约简效果。在结合粗糙集理论与信息理论的基础上,用信息熵中的对称不确定公式来量度两个属性之间的依赖度,提出了基于属性依赖的属性约简算法,该算法不用求核,直接用条件属性与决策属性之间的依赖度为依据来选择理想的条件属性,并且删除被选条件属性中的冗余属性。从理论及实验数据分析中,通过与其他算法比较,可知该算法具有比较好的约简效果及较小的时间复杂度。深入研究现有规则生成算法的基础上,对基于投影的规则生成算法进行了改进,改进后的算法能消除原算法中的噪声规则;在改进的规则生成算法与提出的属性约简算法的基础上,设计了基于属性约简及规则生成的数据挖掘模型,并对该模型的性能进行了横向对比,验证了该模型的优越性能。用该模型对某公司的员工评分数据库进行挖掘,通过对生成规则的分析,得到了关于提高该公司人才招聘质量的建议。