近几年来，计算机网络和信息技术的高速发展为人类社会带来了巨大的变革和深远的影响。数据也渐渐成为了人们广为关注的重要战略资源。数据挖掘技术也得到不断进步和完善。作为知识发现过程中的重要环节，数据挖掘的作用就是从海量的数据中抽取总结出用户感兴趣的知识。数据挖掘技术已经为人们带来了生活便利和巨大的经济效益。然而，现实生活中采集到的数据集合中常常含有噪声数据，并且可能存在不完备、不协调、不确定性的信息。如果在这种低品质的数据集上进行数据挖掘，根本无法得到我们期望的效率和结论。基于粗糙集的数据挖掘是目前应用较为广泛的一种数据挖掘技术。前人在粗糙集理论的完善中做出了巨大的贡献。Hash快速属性约简算法于2009年由刘勇等人提出，在对现实数据进行研究和分析的过程中，发现该算法所提出的正区域计算法在很大的程度上降低了原有一些的算法在计算正区域时的复杂度，同时也大大的降低了算法整体的时间复杂度。这种算法能够有效的去除不相关属性，并且能够输出具有完备性的约简。考虑到数据挖掘算法与实际生产的结合性，本论文基于车辆销售数据的特点对这种效率较高的Hash快速属性约简算法进行了改进，改进算法的时间复杂度与原算法同阶，但是属性的值域比较复杂且所选样本对于同一属性的取值分布不均匀时，改进算法在计算时间上优于原算法。由于生产中涉及到的数据大部分都比较复杂，所以改进算法与实际生产数据结合的更加紧密。本论文将改进算法用于车辆销售数据集的属性约简，并且得到相应的简式。本文进一步使用基于粗糙集的值约简算法，完成了对于决策表的值约简，并且产生了一系列的决策规则。文中对于数据的分析过程、算法的改进过程进行了具体的研究和阐述。而且生成了一些有用的决策规则,例如车主属性与所选择的动力形式。这些决策规则经过整理即可以在具体销售中发挥作用。改进算法也可以应用到网站的试试推荐中，改进算法是基于对不一致数据的属性约简抗干扰性强，可移植性强。