粗糙集理论是一种处理模糊和不确定性数据的数学工具。目前,已被成功地应用于机器学习、决策分析、过程控制、模式识别与数据挖掘等领域。本文对粗糙集理论及应用两个方面进行了深入地研究,给出了粗糙集上知识获取的一些新的想法和方法。具体的研究内容如下:(1)在传统的粗糙集中,利用确定度来评测决策规则的确定性,然而,当拥有同一前提的多个决策规则出现相同的确定度时,对给定的对象进行分类变得较为困难。本文依据决策规则的确定性在局部属性集上的可区分性,提出一种新的规则确定度,该确定度能充分反映决策规则的确定性在局部属性集上的差异。另外,将该确定度与传统规则确定度结合时,会对对象分类提供一种有效的决策支持。实例分析表明,这种新的确定度对决策规则有较好的评测效果;(2)在属性约简研究方面,本文应用知识距离来刻画信息系统中属性的重要性和不重要程度,提出了基于知识距离的两种新的信息系统属性约简算法,其分别为自底向上和自顶向下的属性约简算法。实验结果表明该算法更加实用、易于理解,能明显地提高约简的效率;(3)通过讨论信息熵与聚类之间的关系,证明了信息熵能够更加有效地反映对象之间的距离以及类内的相似程度,并提出了一种新的基于信息熵的聚类算法。该方法将粗糙集中的不确定性度量应用于聚类分析,能对数据进行有效的聚类。实验结果表明该算法相比其他传统聚类算法,能够更加有效地提高聚类精度。最后,概括了本文的主要研究结果,说明本文工作的理论意义和应用,指出有待进一步解决的问题以及以后值得注意的研究方向。