在数据挖掘研究领域，粗糙集和聚类算法等问题已被广泛研究。越来越多的学者深入地研究该相关领域，很多的问题已经不用使用某个单一的方法来解决，所以，将多种理论相互融合，如何来构造更为复杂的数据挖掘模型来解决真实数据分析问题，是目前研究的热点。本文基于粗糙集和聚类算法，主要做了以下工作：1、提出了一种改进的聚类算法：基于粗糙集的模糊聚类算法。这种算法将粗糙集和模糊聚类相结合，既利用了粗糙集近似集的思想，又利用了模糊隶属度聚类的思想。解决了边界不清晰的问题。2、将基于粗糙集的聚类算法应用于社会网络。通过利用粗糙集的思想，从K均值聚类算法的角度来研究社会网络，将社会网络进行聚类划分，解决社会网络聚类边界不清晰的问题，主要用于发现重叠社区，使得聚类结果能多角度地反映社会网络。3、提出了基于粗糙集聚类的预测模型：PCA-RKM-BP模型，该模型充分利用了主成分回归、粗糙集聚类和BP神经网络的优势，能有效提高预测精度。4、提出了基于动态粗糙集聚类和BP神经网络相结合的预测模型。针对现有聚类算法不能确定类数K的缺点，结合粗糙集的概念进行改进，构成一种预测模型，从而更有效地提高预测精度。