数据挖掘研究如何从海量的数据中发现有价值的知识和规则，是当前人工智能领域相当活跃的一个分支，并已经在各行各业取得了相当广泛的应用。粗糙集是应用于不确定知识领域数据挖掘的一个数学工具，在处理不确定知识方面具有极为强大的功能，它把决策系统作为主要研究对象，本文就基于粗糙集理论的决策系统规则发现进行了研究。 本文首先对数据挖掘和知识发现作一概述，并论述了粗糙集理论的重要概念及其度量，基于这些概念和度量，具体分析了粗糙集理论的近似集算法、核算法、属性约简算法、规则提取算法，给出了它们的算法分析以及具体实现步骤。 属性约简是粗糙集理论中一个极为重要的概念，传统的属性约简方法具有较高的指数级复杂度，而基于可分辨矩阵的属性约简方法也具有较高的时间复杂度。本文首先证明了粗糙集理论中的两条重要定理，提出了一种新的属性约简方法。该属性约简方法基于核属性，以西安理工大学硕士学位论文幂集作为计算工具，按照幂集元素中基数由大到小排列，每一次循环总能去除一个无用属性。算法的复杂度分析说明该算法具有较高的运行效率和较低的时间复杂度，复杂度由指数级降为多项式O(nZ)。基于上述的约简算法本文进一步引入了启发式的属性约简算法，在己知属性重要性的情况下，使算法的复杂度接近0(n)，此外，用户还可以根据不同的系统加入自己的经验数据以及自己的属性重要性的计算方法，大大提高了算法的有效性。 计算一个决策系统的等价类是粗糙集的基本算法，本文提出了一种新的等价类算法，该算法仅仅通过对决策表的一个扫描就可以获取所有的等价类，经过算法分析，可以看出，在应用于海量数据时，该算法具有较小的资源占用率。 关键词:数据挖掘，Rough Set，属性约简，等价类