粗糙集理论是一种处理不完备和不确定性知识的数据分析理论，而知识约简方法是粗糙集理论的重要研究分支，已经在知识获取、决策支持和模式识别等领域取得了一些成功的应用。研究基于粗糙集的知识约简方法，可以为处理不完备和不确定性问题提供新的思路和方法。论文首先总结了应用粗糙集进行知识获取的一般思路，针对基于属性重要度的属性约简方法对不相容决策表的约简存在局限性的不足之处，指出了不相容实例的存在影响属性约简结果正确性的缺点。在此基础上，基于正域变化决定广义特征表中实例对取舍的理论，设计了正域的判断机制以增强约简模型的适应度，又将不相容实例的特性融入约简模型中，进而提出同时适用于相容决策表和不相容决策表的改进属性约简算法，增强了约简方法的泛化能力。随后对算法性能进行测试，结果表明了算法的有效性。其次，结合启发式算法的完备性，从信息角度对值重要度进行定义，充分利用条件属性与决策属性之间的互信息增量来度量值重要度，提出基于条件熵的改进规则获取算法，增强了所抽取规则的有效性和简洁性，并用属性蒸发率和置信度等指标对决策规则质量进行了评价，验证了改进规则获取算法的适用性。最后，结合实际应用，按照企业需求，将大量客户数据转变成描述客户特征的模式，对客户决策表进行知识约简，抽取出决策规则，实现了对企业客户数据中隐含知识进行挖掘的功能，达到了为企业决策提供有力依据，改进客户关系管理的目标。论文设计了基于粗糙集的知识约简方法，该方法将整体约简与局部约简相结合，客观选择与主观判断相结合，不但改善了不相容实例带来错误约简结果的缺点，而且更好地解决了规则获取计算代价高的问题。通过实际应用可以看出，该方法能够生成更有效的决策规则，取得较好的挖掘效果。