在数据挖掘中,信息系统是数据的重要载体,从决策信息系统中进行规则提取也被称为知识获取。由于在应用粗糙集理论进行数据处理时不要求数据的先验信息,因此利用粗糙集理论来获取知识在近年来越来越受关注。如今,粗糙集理论的推广和应用十分广泛,与不同学科的交叉融合不断地涌现。其中,覆盖粗糙集是最重要的创新推广之一。覆盖粗糙集有效地解决了一般关系下如何构造邻域算子的问题。在覆盖决策信息系统中,由于对象可能属于两个或两个以上的邻域粒子,所以用单个描述去关联对象的经典粗糙集规则提取方法存在适应性差、容错率低等不足。因此覆盖信息系统的规则不能仅仅按照经典粗糙集规则提取的方法进行。基于此,本文致力于解决以下问题:（1）在经典的两类规则的基础上,对规则引入参数α和β,放宽确定性规则的条件,同时加强可能性规则的要求,以此来适应局部粗糙集模型。随后进一步研究局部规则的性质。（2）探讨覆盖信息系统的规则提取方法。首先是基于衡量规则效能的确定性因子函数,构建一种新的规则效能函数V（η1K1,（43）,ηmKm,D）。与确定性因子相比,新的效能函数可以适用于属性特征在不同阶段对决策的不同影响的情况。接着给出三种关联性规则的定义,并研究不同关联性规则的矩阵表示。（3）在多尺度覆盖信息系统中,选择合适的尺度可以有效地提高数据处理结果的泛化能力。基于新的关联性规则,在论域中建立一个新的决策划分U=Ω1s（?）Ω2s（?）Ω3s,利用该划分构建数据潜能函数,有效地测量了覆盖信息系统的数据潜能。而后,给出基于最大数据潜能的最优尺度的定义,并在理论上研究多尺度覆盖粗糙集最优尺度的存在性和构造方法。最后,进行了数据实验,以此来证明理论的有效性。