随着大规模数据库的广泛使用和Internet的迅速发展,全球范围内数据库中存储的数据量迅速增大。如何从海量的、多样的数据中挖掘潜在的、有用的信息,成为当前知识发现的主要研究课题之一。粗糙集理论(Rough Set)就是在这样背景下不断发展起来的一种用于不精确、不确定数据挖掘与处理的新型数学理论。粗糙集理论是由波兰数学家Z.Pawlak在1982年提出的,是继概率论、模糊数学、证据理论之后又一种处理不确定性信息的有效数学工具。近几年来将粗糙集应用于数据挖掘领域,能提高对大型数据库中的不完整数据进行分析和学习的能力,具有广泛的应用前景和实用价值。在利用粗糙集理论进行数据挖掘,抽取知识规则时,最重要的一点就是基于粗糙集的属性约简和规则提取算法的研究。通过约简操作,降低属性的维数,提取出适用于决策支持的知识规则,是粗糙集理论的最重要应用之一。　　本文主要研究了经典粗糙集理论中属性约简算法以及粗糙集在图像检索方面的应用。首先总结了粗糙集理论中的重点知识―属性约简的各种约简算法,在此基础上提出了一些改进的算法,并通过实验具体阐述了改进算法的优缺点。其次,在基于内容的图像检索中,图像特征的提取是关键因素。本文就其中重要的颜色特征,分析传统意义上的颜色直方图检索方法以及后人的改进算法的优缺点,提出新的多级区域直方图的概念。并将改进的图像颜色特征应用到粗糙集的图像检索中。最后针对粗糙集的图像检索的可能出现的决策问题,将朴素贝叶斯方法应用到其中,并通过实例来验证了本文提供方法的可行性和有效性。