本文重点研究了数据挖掘中的贝叶斯方法,它具有坚实的数学理论基础,并能综合先验信息和数据样本信息,成为数据挖掘和机器学习研究的热点之一。朴素贝叶斯分类器是一种简单而有效的概率分类方法,然而其属性独立性假设在现实世界中多数不能成立。为了改进该方法的分类性能,近几年已有大量研究成果,许多学者都致力于构建能反映属性之间依赖关系的贝叶斯分类模型。本文简要地介绍了关于朴素贝叶斯分类器和粗糙集的基本理论,包括朴素贝叶斯分类模型,基于属性相关性分析的贝叶斯分类模型,加权贝叶斯分类模型,粗糙集基本理论和属性重要度的构造方法。本文根据Rough Set属性重要度理论,构建了基于互信息的属性子集重要度度量公式,提出属性相关性的加权朴素贝叶斯分类算法(WCB),该算法同时放宽了朴素贝叶斯算法属性独立性、属性重要性相同的假设。通过数据仿真实验,与基于属性相关相关性分析的贝叶斯(CB)和加权朴素贝叶斯(WNB)两种算法做比较,证明了该算法的有效性。最后对全文的工作进行了总结,并指出有待进一步研究的方向。