目前,把多种数据挖掘技术相结合从而实现对故障问题的诊断已经成为未来故障诊断研究的发展趋势。决策树模型凭借其可读性强、分类速度快等优点在故障诊断领域发挥着不可替代的作用,然而,训练数据集中的噪声数据以及在建模过程中存在的过拟合问题严重制约着决策树模型的诊断效率。粗糙集相关理论则能在保持数据分类能力不变的前提下,提高模型对噪声数据的容忍程度,从而扩大对数据的应用范围。故二者的结合成为故障诊断领域新的研究方向。本文以构建粗糙集-决策树模型以及实现对故障数据的诊断为目的,主要做了以下几方面的工作：首先,对粗糙集的经典理论和决策树算法的进行了梳理,分别分析了这两种方法与其他数据挖掘手段结合下的应用现状。其次,在比较3种决策树算法后,提出用C4.5算法替代前人提出的粗糙集-决策树算法中的ID3算法,从而使模型能够克服因属性取值不同带来的误差。再次,针对已有的粗糙集-决策树模型不能很好的克服噪声数据这一现象,引入粗糙集理论中的变精度概念,将其应用到决策树初始变量的选择过程中,从而实现改进后的决策树模型能够克服一定程度下的噪声数据。最后,把改进后的粗糙集—决策树模型应用到故障诊断数据中,并与C4.5决策树模型进行有关比较,验证了前者相较于后者,决策树规模更小,预测能力更好,生成的规则更加丰富。