粗糙集理论和灰色系统理论都是处理不确定性问题的有效工具。粗糙集理论主要针对知识粒度的粗糙而导致对对象分辨能力有限或由于对数据描述不精确而产生的未确知型不确定性问题,这种类型的不确性是因为主观上人的认识不清或客观上条件限制所导致的。粗糙集在保持分类能力不变的前提下,通过知识约简的手段,对不完全信息或知识进行分类处理,从而导出问题的决策或分类规则。而灰色系统理论主要通过数据生成的手段,对少数据、不确定性知识进行数据处理和信息加工,着重研究“外延明确,内涵不明确”的对象,解决了概率统计和模糊集所不能解决的“小样本、贫信息不确定”问题,从而挖掘出数据中有价值的知识和规律。本文针对诸如营销等类大型数据库,从中挖掘规则获取知识比较不容易,对于这一问题,提出了在数据预处理的基础上,首先利用面向属性的归纳和属性相关分析方法从数据库中概化顾客属性数据,消去冗余属性,构造出一个简约的决策信息系统,然后再利用粗糙集理论关于决策规则的约简方法从中挖掘出有益的决策规则,有效提高了规则的挖掘效率。最后通过实例分析表明了该算法是较优的,而且有实用价值的。另外,本文针对信息缺省和属性取值不确定性问题,将灰色系统理论与粗糙集理论和方法有效地结合起来,通过引入区间灰集的概念,提出了灰色信息系统改进的表示方法;结合灰色系统、粗糙集理论及区间灰集的性质,研究了基于灰色粗糙集的最小相容类和最大相容类,并对其性质、关系及上、下近似进行了研究,这是经典粗糙集的定义及应用在灰集上的一个有效拓广。