在实际的数据挖掘问题中,由于种种因素的影响,待处理的数据常有某种程度的不完备,这些遗失的数据往往会影响随后的数据分析。在这种情况下,如何从不完备信息系统中获取知识,已经成为当前一个重要的研究课题。粗糙集理论是一种处理不完全、不精确和不确定信息的有效手段,它的特点是无需提供任何先验知识,而是从给定问题的描述集合直接出发,找出问题的本质特征和内在规律。因此,本文以粗糙集理论为对象,以不完备信息系统为背景,研究基于粗糙集的不完备信息处理方法。主要包括以下两个方面：一、介绍了目前不完备信息系统中填补缺失数据的主要方法,分析了各自的优缺点,尤其是其中填补效果较好的ROUSTIDA算法。在此基础上,提出了一种基于属性重要度的不完备数据填补算法(IDFAAI算法)。该算法独特性的考虑了属性重要度对于填补不完备信息系统缺失值的影响。通过实验证明,与ROUSTIDA算法相比,本文算法具有更高的补齐率和准确率。二、在基于容差关系的扩充粗糙集模型下,介绍了不完备信息系统的两种属性约简算法,分别是基于扩展区分矩阵的属性约简算法和基于信息熵的属性约简算法。在总结了以上算法的特点后,结合IDFAAI算法,我们提出了一种基于树的属性约简算法(ARAT算法)。该算法的特点是能够得到决策表的完备约简,而且具有较高的运算效率。最后,我们通过实例分析,验证了算法的有效性。