粗糙集理论是波兰数学家Z.Pawlak于1982年提出的一种数据分析理论,它善于从数据中获取知识,并能利用不确定、不完整的经验知识进行推理,在保持信息不损失的前提下,约简知识和规则,能够有效地表达不确定或不精确的知识,而且无需提供除问题所需处理的数据之外的任何先验信息,完全由数据本身出发来解决问题,这些优点极大的推动了粗糙集理论及其应用的发展。但是粗糙集理论以不分明关系为基础,只能对离散的数据进行处理和分析。而现实中,大部分数据库都含有连续数据。属性离散化是应用粗糙集的关键问题之一,而且离散化的好坏也直接影响后面的分析和规则提取。　　本文将粗糙集和遗传算法二者相结合,对粗糙集属性离散化方法进行了研究,提出了基于自适应遗传算法的属性离散化方法,并应用于实际系统的分析。主要工作包括:　　1、综述了粗糙集和遗传算法的基本理论,分析了离散化在数据挖掘和知识发现中的必要性,以及粗糙集中的离散化问题。　　2、在对几种代表性的离散化算法比较分析的基础上,提出了基于自适应遗传算法的离散化方法。实验表明,该方法能够明显的改善全局寻优能力,并大大加快了收敛速度。　　3、将算法应用于经济效益评价,依据Roughset理论建立了经济效益综合评价模型,并对安徽省17个地市的工业经济效益进行了实证研究,验证了该方法的实用性、可行性。