数据挖掘作为信息技术自然演化的结果之一，引起了整个信息产业界的极大关注。数据挖掘是从大量包含结构化、半结构化、文本、图形和图像的原始数据中，采用数学的、非数学的、演绎和归纳的知识发现方法，提取隐含在其中的，可用于决策支持、信息管理等方面的知识和信息的过程。数据分类是数据挖掘的一个重要组成部分，现在主要的分类技术有贝叶斯分类器、基于决策规则的分类器、决策树分类器、粗糙集、遗传算法和贝叶斯信念网络等。自1982波兰科学院院士Z.Pawlak提出粗糙集以来，粗糙集理论得到了广泛关注，现主要用于近似分类、属性和属性值约简、属性依赖性分析等。本文利用了粗糙集在知识约简时，能够保持分类能力不变的特性，将粗糙集理论与得到广泛应用却受条件独立性假设条件限制的朴素贝叶斯分类算法结合，取长补短，使朴素贝叶斯算法的分类能力得到提高。本文的主要研究工作包括两个方面：1.属性约简与朴素贝叶斯结合的算法研究。分析了几种属性约简算法，包括值约简和属性约简的算法。然后利用基于属性序的属性约简算法与朴素贝叶斯分类算法进行结合，提出了一种基于属性序约简的加权朴素贝叶斯分类算法。新算法一方面可以简化数据集，另一方面可以参与权值的计算，有效地利用了朴素贝叶斯和粗糙集约简的优势，使分类的精度和适应性得到了一定程度的提高。2.将粗糙集中核属性的求取方法与朴素贝叶斯算法进行结合，提出了一种基于核属性的加权朴素贝叶斯分类算法，使朴素贝叶斯的条件独立性假设限制条件得到弱化，求核属性可使数据集得到简化，为朴素贝叶斯算法的实现准备了前提条件，这样取长补短，使分类精度得到了提高。