随着大规模数据库的广泛使用和Internet的迅猛扩展,全球范围内数据库中存储的数据量迅速增大。海量的数据未能充分利用这一现象常常被描述为“数据丰富,但知识贫乏”。如何从这些海量数据中发现知识,导致了数据挖掘领域的出现。20世纪80年代初由Z.Pawlak首次提出的粗糙集(Rough Set)理论适用于处理和提取含糊性和不精确性的知识,近年来由于在数据挖掘等领域得到了成功的应用而受到国际上广泛关注。基于粗糙集理论的属性约简和规则冗余值约简能够降低属性的维数,总结出适用于决策支持的知识规则,这是粗糙集理论在数据挖掘邻域最重要应用之一。如今,关联规则广泛应用于各个领域,而算法效率不高,规则冗余度较大,用户仅对一部分关联规则感兴趣是目前关联规则挖掘算法普遍存在的问题,因此,将粗糙集理论与关联规则提取这两种方法的综合,从大量的数据中迅速挖掘用户感兴趣的关联规则是有现实意义的,曾有人提出过这种构思,但无建模、实现等更深入的工作。本文对粗糙集理论和关联规则挖掘算法进行了深入而系统的研究,在总结现有方法的基础上,首先提出了一种基于差别矩阵的高效求核算法和基于差别矩阵的属性相对约简和规则提取方法,能够对知识系统进行处理,方便后面的决策规则提取,随后,在Apriori算法基础上提出了一种带结论域的关联规则挖掘模型,并提出了一种全新的挖掘正负关联规则的算法。接下来,深入分析了冗余规则产生的原因,提出了一种对频繁项集进行约束的算法,从而减少冗余规则的生成。最后,探讨了已有有效规则评判标准的利弊。其中,详细说明了各个改进后的算法的思想和步骤,并将基于粗糙集的关联规则挖掘原型系统作用于实验数据库,获得了较好的结果,证实了原型系统的有效性。