知识推理是智能决策支持系统中的核心，即根据所获得的信息通过数据分析、推理，从而产生合理的决策规则形成有用知识的过程。粗集理论（Rough Set）作为智能信息处理技术的一个新成果，是由波兰科学家Z.Pawlak教授提出来的对不完整数据进行分析、推理、学习、发现的新方法。根据粗集理论的方法，知识推理就是由给定的知识表达系统的条件属性和结果（决策）属性，求出所有符合该知识的最小决策算法。本文讨论的就是如何将描述事物的本质特征抽取出来的问题，即寻找最小条件属性集和最小决策算法的过程。由RS理论所具有的的特点，我们知道它比原来的模糊集和概率统计方法优越，是处理不精确信息的有力工具。因此研究如何用RS的方法提取本质特征，具有重要的理论和实际意义。本文主要内容如下：首先引入了知识表达系统和决策表，介绍了决策表简化的概念并提出了其简化各阶段相应的算法。其次阐述了基于Rough Set的特征抽取算法的设计原理及实现方法；最后总结了本文的主要成果和不足，并提出了下一步的工作中仍需讨论的问题。本文在基于RS的特征抽取算法的研究方面做了有益的尝试，主要成果包括以下几大部分：一、 提出了决策表条件属性的简约算法及核值表的获取算法；二、提出了决策表规则的简约算法，由该算法可获得所有简化的规则的集合；三、最小决策算法的确定：本文对粗集中属性依赖度的衡量参数k进行了改进，给出了一个新的参数K，更能体现决策属性对某条件属性的依赖程度；四、对于一个通过学习初始训练集而建立好的决策树，新增加的学习例子会不会影响它的稳定性，通过分析，本文中提出了一个是否需要重新建立决策树的判别定理。