数据挖掘研究如何从大量的数据中智能地、自动地抽取出有价值的知识和信息，是当前人工智能中非常活跃的研究领域。近年来，随着我国信息化建设的快速发展，知识的自动获取已成为制约其发展的“瓶颈”。因此，开展这方面的工作具有重要的理论意义和实用价值。 本文主要研究基于粗糙集理论的数据挖掘方法与技术。 在数据离散化方面，本文分析了各种属性离散化方法的优缺点，并针对决策表提出了一种新的离散化方法。该方法通过利用决策属性提供的分类信息对属性值空间进行离散化，不仅避免了复杂的聚类运算，而且使离散化结果保持了较高的数据一致性。 在不完备信息系统下的粗糙集理论扩充方面，本文提出了一种变精度粗糙集模型。该模型通过引入模糊技术，使其能够在不同的概念层次上有效地进行知识约简。 在获取决策规则方面，针对不同用户的具体兴趣不同这一实际情况，本文给出了一种加权决策规则的提取算法。该算法以本文提出的决策规则支持度为依据，从候选规则集中选取用户感兴趣的规则，为知识挖掘提供了新的思路。 本文从数据预处理、知识约简和规则抽取三个方面入手，对粗糙集理论的推广应用做了有益的探索。但是，数据挖掘正处于发展阶段，粗糙集理论在数据挖掘中的应用还有许多问题值得研究。本文的研究工作是一个尝试，相关工作还有待进一步深入。