随着信息技术的发展和市场竞争的加剧，产生了客户关系管理的概念，它的核心思想是改善企业与客户之间的关系，通过管理客户信息资源，及时的对每一个需求做出反应，在恰当的时间通过恰当的渠道满足特定客户的特定需求。因此，企业必须收集大量数据，利用各种分析方法，挖掘隐含在这些数据中的有用信息。知识发现技术能够帮助企业很好地解决这个问题，它按照企业既定的目标，从客户数据库或数据仓库中提取出隐含的、未知的、有价值的信息和知识，将海量、无序的数据转化为描述客户特征的模式，可以全面了解客户行为，可以说，CRM的成功在于有效的客户知识挖掘。 知识发现具有分类、聚类、关联分析等功能，迎合了企业多种客户知识挖掘的需求，包括：客户群分类、客户盈利能力、客户满意度、客户忠诚度、客户购买相关性等方面的分析。但是，有的知识发现技术建立的模型要么比较复杂，要么需要一定的先验知识、具有主观性。粗糙集作为一种新型的数学工具，与其它知识挖掘技术相比具有独特的优势，它不需要预先给定某些特征或属性的数量描述，而是直接从给定问题的描述集合出发，通过不可分辨关系和不可分辨类确定给定问题的近似域，从而找出该问题的内在规律，该方法简单、易于操作。近些年，学术界掀起了对粗糙集的研究热潮，研究成果也较多，但主要是基于粗糙集的分类模式挖掘，用于聚类、关联规则挖掘的研究成果很少，因此，本文的研究具有重要的理论意义和实用价值。 本文在总结和借鉴前人经验的基础上，按照企业客户知识挖掘的需求，对粗糙集进行了系统的研究，挖掘客户数据资源中隐含的聚类、分类和关联知识，从而为企业决策提供有力的依据。 首先对基于粗糙集的知识挖掘模式进行研究。在数据预处理方面，对遗漏数据的补齐和数据的离散化两个预处理过程进行了研究，数据的质量严重影响着知识发现算法的运行效率和应用效果。分析了ROUSTIDA算法的不足，提出采用基于一致度的相似关系进行遗漏值补齐，对ROUSTIDA算法进行改进；将蚁群优化方法应用到数据离散化中，提出了离散化的思路。在聚类知识挖掘方面，利用不可区分度修改初始等价关系，形成数据集的聚类。