数据挖掘是从存放在信息库的大量数据中挖掘出有用知识的一种新技术。粗糙集理论作为一种处理不完全、不精确及不确定信息的有效方法，因其具有强大的数值分析能力，故在数据挖掘领域大有用武之地。目前基于粗糙集理论的数据挖掘技术已经成为人工智能领域中一个新的研究热点。论文对数据挖掘技术进行了深入的讨论，介绍了其相关概念，针对其普遍存在的海量高维数据、信息不完备数据、可理解性等问题，提出一种基于粗糙集的数据挖掘方法。首先，详细阐述了粗糙集的产生、发展及其在数据挖掘领域中的应用。其次，讨论了粗糙集的约简方法，利用粗糙集理论对数据样本进行约简，获取约简的规则集，使得规则数目大为减少，充分地提高了数据的处理能力。接着针对粗集只能处理离散化的属性，研究讨论了各种连续属性离散化方法。论文中对目前神经网络也进行了分析，并针对训练神经网络时由于样本数据中含有大量的、不完全的、有噪声的、模糊的、随机的数据，造成的网络结构复杂以及计算速度慢等问题，提出了一种基于粗糙集的构造神经网络的方法，即运用粗糙集方法对输入样本进行约简，确定神经网络隐含层神经元个数。利用基于粗集的数据挖掘技术构造的粗神经网络模型，具有计算简单、收敛速度快等特点。最后将该方法用于间歇式反应釜，通过粗神经网络建模，从而实现对间歇式反应釜的釜内温度的估计。仿真结果与实测数据比较表明，模型估计准确，误差小，与常规方法相比，网络的训练时间短。综上，基于粗糙集的数据挖掘技术是一种有效的数据处理方法，它可以为建模与控制等研究工作提供有用的信息。由于该方法具有较高的估计精度及较快的学习效率，所以更有利于实时应用。