粗糙集理论是1982年由波兰学者Z．Pawlak提出的一个数据分析的有力工具，近年来日益受到各领域的广泛关注，并已在机器学习、模式识别、决策分析、过程控制、数据库知识发现、专家系统等领域得到了成功的应用。研究基于粗糙集理论的知识获取方法有着重要的理论意义和应用价值。本文基于粗糙集理论，对信息系统中的一些知识获取方法进行了研究，并取得了以下研究成果：在决策表的属性约简方面，定义了一种通过对论域在条件属性和决策属性上的划分形成的对象集合，对这种集合进行了研究分析，用该集合与信息熵结合起来度量决策表中的属性重要性以及属性之间的相关性，提出了一种基于粗糙集和信息熵的属性约简启发式算法。该属性约简方法，通过信息熵的计算选择最优条件属性，逐渐地去除确定的对象，缩小考察的论域中的对象范围，提高了约简效率。实例表明算法能得到完备或者不完备决策表的相对约简。在信息系统的决策规则获取方面，根据条件属性和决策属性对论域划分形成的对象集合，分析决策属性对条件属性的依赖程度，研究了粗糙集中基于这种对象集合的规则获取方法，区别于经典粗糙集理论中采用的单一等价关系，对同一决策表从多个角度和多个层次来研究。这种对象集合的抽象-特化程度能够刻画条件属性及其组合对决策的有序划分，通过在不同的角度和层次上动态地进行粒度细化，能够挖掘出决策表中的确定、非冗余、前件短的规则。此外将基于粗糙集的决策支持方法和动态决策规则挖掘算法扩展应用在不完备决策表中动态获取决策规则。实例表明提出的算法能够提供良好的决策规则，为数据挖掘的研究提供了新的方法。本文基于粗糙集理论对信息系统中的知识获取方法进行了一些研究，不仅从理论上丰富和发展了粗糙集理论，而且为数据挖掘的研究也提供了新方法，研究成果在大规模数据处理中有着重要应用价值。