数据库技术和Internet的发展使得收集和存储海量数据成为可能。面对越来越多迅速膨胀的数据，人们迫切需要具有强能力和高效率的信息处理技术，从大量数据中发现感兴趣的知识，从而指导决策。数据挖掘技术是解决数据丰富而知识贫乏的有效途径，当属信息科学领域的前沿研究课题之一，有关的研究和应用极大提高了决策支持的能力，已被公认为是数据库研究中一个极富有应用前景的领域。粗糙集是一种处理模糊和不确定性数据的工具，因而成为数据挖掘中的重要框架。属性约简是粗集理论的核心内容，数据经过约简后更有价值，更能准确地获取知识。本文将粗糙集和遗传算法二者相结合，对基于遗传算法的粗糙集属性约简进行了研究。其主要工作包括以下几个方面：首先介绍了粗糙集理论和遗传算法的基本理论、概念，并总结了粗糙集理论中基于区分矩阵、属性重要度、属性频度、属性依赖度的属性约简的经典算法以及启发式遗传算法进行了系统综述，并且对各种算法进行了比较分析。其次由于基于最初差别矩阵的属性约简的定义与基于正区域属性约简定义是不一致的，本文采用新的区分矩阵的定义，先简化差别矩阵，降低求不可区分关系的算法复杂度，然后通过对简单遗传算法进行改进，提出了一种基于免疫遗传算法的粗糙集属性约简算法。并用两个数据集对算法进行验证。最后，对遗传算法和粗糙集理论研究的基础上，通过分析现有的约简算法，提出一种基于依赖度的属性约简改进算法，改进后的算法可以求取属性的一个约简。本文将该算法应用于海上交通事故分析，得到了很好的结论。