随着数据库技术的发展和应用，社会各部门积累了大量的数据，而且这些数据每一天都在增加。数据挖掘是发现这些数据背后隐藏的知识的有效手段，但是，如果在数据库更新之后都要对全部数据进行重新挖掘，需要消耗大量的资源，这导致对增量挖掘算法的迫切需求。把增量算法与数据库的更新结合在一起，渐增地进行知识的更新、修正和加强先前业已发现的知识，这样可以不必重新挖掘全部数据。粗糙集理论是数据挖掘的方法之一，它是处理模糊和不确定知识的一种数学工具, 已在人工智能与知识发现, 模式识别与分类, 故障检测等方面得到了较好应用。但是，目前基于粗糙集理论提出的数据挖掘算法主要都是针对静态数据集。考虑到实际应用的需求和粗糙集理论的现状，本文主要对粗糙集理论的增量算法进行研究。首先，介绍了两种典型的粗糙集理论的增量算法，分析其中的优点和缺点，指出了他们所存在的理论上的缺陷。然后，通过对ASRAI算法的介绍与分析，举出ASRAI算法的反例，提出增量算法1以用于克服ASRAI算法存在的缺点。实例结果表明它可以有效地处理本文中提出的反例。最后，引入了Shan算法，经分析表明Shan算法与ASRAI算法是等价的。通过对Shan算法的研究发现：当添加某一类新记录时，运用Shan算法得出的结果可能出错，而且这种错误是无法克服的，只能运用静态算法对数据集进行重新计算。通过以上的分析表明增量算法1只能处理部分的反例，为此提出了增量算法2，实验结果表明改进效果良好。与此同时开发了一套粗糙集理论的系统原型，包含了部分的粗糙集理论的算法，并对本文提出的增量算法2进行了实验分析。