近年来,数据挖掘引起了信息产业界的很大的关注,主要原因是存在着大量可以使用的数据,并且迫切需要将这些数据转换成有用的信息和知识。粗糙集理论(Rough Set)就是在这样背景下不断发展起来的。粗糙集理论主要用于不精确、不确定数据挖掘与处理的新型数学理论。粗糙集合理论是由波兰数学家　　Z.Pawlak在1982年提出的,是继概率论、模糊数学、证据理论之后又一种处理不确定性信息的有效数学工具。该理论的特点是不需要任何先验知识,或任何附加信息,就能有效地分析和处理不精确、不完整和不一致的信息,并且从中发现隐含的知识,揭示潜在的规律。将粗糙集应用于数据挖掘领域,能提高对大型数据库中的不完整数据进行分析和学习的能力,具有广泛的应用前景和实用价值。　　信息系统的属性约简算法是粗糙集理论的核心内容。寻找信息系统的最优约简或全部约简是NP问题,而基于属性重要性的启发式算法能够取得较好的约简。本文在广泛深入地查阅国内外文献的基础上,对经典的粗糙集的基本理论和粗糙集属性约简算法以及变精度粗糙集阈值选取算法进行了深入的理论研究和实验分析。分类正确率β和分类能力γ是可变精度粗糙集合模型的两个重要参数。本文论述了两者的相互关系及相互影响,在用户要求一定的分类质量γ的情况下,来得出β的精确的范围。本文首先简要介绍了经典粗糙集和变精度粗糙集的基本概念。介绍了Pawlak粗糙集模型以及决策表、可辨识矩阵和约简等基本概念,为后面章节中的属性约简算法打下了理论基础。其次,对经典粗糙集理论算法进行研究,且详细分析了相对可辨识矩阵和遗传算法,以属性重要度作为启发式信息,在此基础上提出了改进的算法。针对变精度粗糙集中β参数的确定缺乏可预见性的问题,提出了在确定近似分类质量γ下β取值范围的确定方法。最后本文通过实例来验证了本文提供方法的可行性和有效性。