用于数据分析与挖掘的数据可能包含数以百计的属性,其中大部分属性与数据挖掘任务不相关,是冗余的。尽管领域专家可以挑选出有用的属性,但这可能是一项困难而费时的任务,特别是当数据的行为不清楚的时候更是如此。遗漏相关属性或留下不相关属性,会导致知识发现的模式质量很差。此外,不相关或冗余的属性增加了数据量,减慢挖掘进程。如何在大量属性中选择与知识发现任务相关的属性数据,从而提高知识发现的效率,完成知识发现的聚焦问题,是本文的主要研究内容。本文将领域知识应用于知识发现的初始聚焦问题上,采用基于粗糙集理论的属性约简算法通过属性约简来完成知识发现的初始聚焦问题,其主要内容和创新如下:1.研究了领域知识与知识发现的关系,领域知识在知识发现各阶段的作用,重点研究了应用于知识发现初始聚焦问题的领域知识的分类、表示和存储,以及领域知识在知识发现初始聚焦问题上的应用算法;2.为了提高分类的准确性,重点研究了基于粗糙集理论和条件熵的离散化算法;3.在对一般的可辨识矩阵算法研究的基础上提出了改进算法,去掉了可辨矩阵中不起作用的重复元素,降低了算法的时间复杂度,提高了算法的运行效率;4.研究了基于属性重要性的启发式算法,其中重点研究了基于信息熵的属性约简算法,提出了基于领域知识权重大小的属性约简算法,加入了用户的偏好,方便了算法与领域专家的交互;5.在此基础上,开发了基于领域知识的知识发现初始聚焦系统,将该系统应用于铝电解槽生产数据的分析中,取得了良好的效果。