粗糙集(Rough Set)理论是Pawlak提出的知识表示理论，它是一种处理含糊和不确定性问题的新型的数学工具。在这个理论中，他第一次提出了上近似、下近似、约简、核与边界区域等概念，这些概念的本质是强调对信息系统的约简。同时，这些理论使得粗糙集(RS)作为近几年兴起的“数据库知识发现”(KDD，或称为数据挖掘)研究的理论基础。这种方法对于人工智能(AI)和认知科学都是十分重要的，尤其是在机器学习，知识获取，决策分析，从数据库中发现知识，专家系统，决策支持系统，归纳的推论，模型的识别等领域更加重要。 特别地，Rough集方法已经在医学，药理学，商业，金融，市场研究，工程设计，气象学，振动分析，开关函数，冲突分析，图象处理，声音的识别，系统一致性分析，决策分析，字符识别及其他领域有重要的应用。 本文从粗糙集的基础理论入手，主要介绍了作者的两部分工作：(1)从Skowron可辨识矩阵出发，通过对属性重要性及属性间依赖性的讨论，利用条件熵构造了一种一致数据属性约简的启发式算法；通过实例和UCI数据库证明了该算法的有效性；并对文献[17]中的错误进行了修正。(2)从变论域的角度出发，利用改进的可辨识矩阵对不可分辩类进行了定义，结合属性重要性及属性间依赖性的讨论，构造了一种变论域的启发式算法，并通过实例和UCI数据库证明了该算法的有效性。