1982年波兰学者Z．Pawlak提出了粗糙(Rough)集。它是一种处理不精确和不完备信息的数学工具，而且不依赖于数据集之外的任何附加信息。经历了近20年的发展，已经在理论和应用上取得了丰硕的成果。数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的但又是潜在有用的信息和知识的过程。对一些含有不完备信息的数据，传统的数据挖掘技术无能为力，而粗糙集却可以对这一类信息进行处理。作为集合论的扩展，粗糙集理论的主要研究领域之一就是在信息不完备情况下的数据挖掘技术。在现实生活中，由于数据测量的误差，对数据理解或获取的限制等原因，使得在知识获取时往往面临的是不完备信息系统，这就极大地限制了粗糙集理论向实用化方向发展。国际国内对不完备信息下粗糙集理论的深入研究还不多见。因此，对数据缺损的信息系统的处理已成为粗糙集研究的主要内容之一。[11]，[12]，[13]，[14]，[15]对不完备信息系统的研究得到了一些成果。在此次设计中，研究了已有的部完备信息系统的相关研究成果，追踪了国内外不完备信息属性约简算法的前沿，改进了基于不完备信息系统的属性约简算法。提出自己的算法并验证了算法的有效性。主要工作有：*提出基于人工神经网络填充算法抽取整个信息系统，把其分解成子信息系统，利用完整的子系统来训练人工神经网络。而后基于训练好的神经网络的基础上，完成不完备信息系统得属性值填充，用实验数据得到事例验证*提出基于属性重要性的约简算法在属性重要性的基础上的约简算法，此算法在分析前人研究成果的基础上实验证明此算法是有效的。