粗糙集理论是波兰数学家Pawlak在1982年提出的,是继证据理论、模糊集理论之后又一种处理模糊性、不确定性数据的数学工具。该理论的特点是不需要任何先验知识或附加信息,在数据挖掘、知识发现等方面有很好的应用前景。经典粗糙集理论主要针对完备信息系统,利用不可分辨关系这一等价关系来对对象进行上近似和下近似分类。然而,在现实生活中,由于数据测量的误差,对数据理解或获取的限制等原因,使得在知识获取时往往面临的是不完备信息系统,即可能存在部分对象的一些属性值未知的情况。为了对不完备信息系统进行处理,需要对经典粗糙集集理论进行扩展。本文在分析研究三种已有的粗糙集扩充模型(容差关系、相似关系、限制容差关系)的基础上,进一步给出了基于变精度α限制二元关系的粗糙集模型,并比较分析这些扩充粗糙集模型之间的性能。在变精度α限制二元关系粗糙集模型的基础上,本文给出了一种处理不完备决策表的粗糙集属性约简算法McFreK。此算法以改进的扩充差别矩阵为基础,属性核为算法出发点,改进的不完备属性频度为启发信息,决策属性对条件属性的依赖度为终止条件,适应不完备决策表的特点,兼具速度与准确性。最后,本文给出了不完备决策表下的规则获取算法LEMX,并举例说明此算法不仅可以获取不完备决策表的最小确定决策规则集,还可以获取所有的确定规则。