机器学习是人工智能领域中重要的研究课题，是用计算机模拟人类学习活动的一门科学。机器学习用计算机模拟和实现人类的学习过程，目的是获取知识，有归纳学习算法、神经网络、遗传算法等学习算法，支持向量机(SVM)是现在机器学习研究中较热门的学习算法。归纳学习是机器学习的主要分支，主要研究如何归纳出一般性概念的描述。实例学习是归纳学习方法中的一种有导师学习方法，它从若干实例(包括正例和反例)归纳出一般概念或规则。虽然机器学习的研究方法和理论基础很多，但目前似乎还没有一种被普遍接受。 Rough集理论是一种处理模糊和不确定性问题的新型数学工具，其主要思想是将知识理解为对论域的划分，在保证分类能力不变的情况下，通过知识约简，导出问题的决策规则。突出的数据处理能力使得Rough集方法可应用到机器学习中，用以研究不完备学习训练系统完备前后学习质量和学习过程的变化，包括导师知识不完备训练系统和学习者知识缺失学习系统，也可用来研究动态学习中增加或删减实例时学习质量变化，从而Roug集方法可作为探讨导师知识不完备、学习者知识缺失以及动态学习三种情况下的机器学习的理论基础。在理论探讨的基础上，选择01串表示形式代替等价类来实现算法，可提高机器学习效率。