信息与数据的膨胀导致了描述数据的属性急剧增多，而数据量也呈爆炸式增长。海量的数据不仅使传统的数据挖掘算法建模时间过长，而且冗余的属性也可能导致学习的算法变得更复杂，进而很有可能导致模型无法准确捕获隐藏于数据中的规律。在这种背景下，粗糙集知识约简与贝叶斯网络的结合为处理膨胀的信息与数据提供了一个新的思路。本文给出了基于GINI指数的粗糙集知识约简算法，构建出基于GINI指数的粗糙集属性约简的贝叶斯网络模型，减少贝叶斯网络学习的复杂性，提高了分类的准确性。同时，本文将此模型应用于通信行业的客户流失预测中，实验结果表明，本文给出的GIBARKNC-TAN模型在客户流失应用中有较好表现，具有一定的实用价值。本文研究成果主要如下：(1)通过对国内学者提出的基于信息熵的约简算法的学习，给出2个基于GINI指数的知识约简算法——GIBARKCC算法与GIBARKNC算法，并给出算法的理论基础证明，最后通过2个实例以及仿真实验验证了算法的有效性；(2)给出基于GIBARKCC的树增广朴素贝叶斯分类模型以及基于GIBARKNC的树增广朴素贝叶斯分类模型，实验结果表明，GIBARKCC-TAN与GIBARKNC-TAN在实验数据的测试精度上比TAN高；(3)将GIBARKNC-TAN模型应用到通信行业的客户流失的预测中，并给出实证结果，最后对流失概率临界值做出讨论，并最终得到较好的预测结果。基于GINI指数的粗糙集约简的贝叶斯网络模型有效简化了构建单纯贝叶斯网络分类器的计算复杂度，且提高了分类精度，是一种切实可行的数据挖掘方法。