连续属性的离散化是数据分析预处理中的一项重要内容，在数据挖掘、机器学习等领域中具有重要作用。针对离散化问题，研究者提出了很多方法，从不同的角度看，可以把这些方法划分为不同的种类，如根据离散化处理时是否以类别信息做参考，可以把离散化方法分为监督的离散化方法和非监督的离散化方法。由于各种离散化算法侧重点的不同，针对不同结构的数据，不同的离散化方法往往得出不同效果的离散化结果。由于目前尚没有设计出适合不同数据结构、不同领域数据的通用离散化方法，因此，对比不同离散化方法的优缺点，研究各种离散化方法的适用性问题，对选择合适的离散化方法，得到有效的离散化结果具有重要意义。本文首先介绍了连续属性离散化任务及目标，描述了离散化问题及本质，并从不同的角度上对离散化方法进行了分类，介绍了几种经典的离散化方法。接着本文根据离散化方法的分类，建立了离散化方法的层次框架。在层次框架中，首先将离散化方法分为单变量离散化方法和多变量离散化方法，再分为拆分的离散化方法和归并的离散化方法，再进一步划分为监督的离散化方法和非监督的离散化方法。本文给出单变量拆分方法、单变量归并方法、多变量拆分方法和多变量归并方法的离散化过程，并分析了一些离散化算法，使用标准数据给出这些算法的断点。然后本文选取一些单变量离散化算法和多变量离散化算法进行实验比较和分析。实验比较和分析分为单变量离散化算法的实验比较与分析、多变量离散化算法的实验比较与分析和单变量与多变量离散化的实验比较与分析，并对一种离散化算法进行了改进。最后本文介绍了基于粗糙集的数据挖掘平台。