本文对基于粗集的约简和分类方法进行了系统深入地研究。总结了现有方法，并对一些算法进行改进，进而提出了几个新的算法。主要工作如下： 首先给出了可分辨矩阵的概念及基于可分辨矩阵的约简算法，然后给出了其改进算法。通过分析可分辨矩阵中属性的出现频率，研究了矩阵的特征秩机制，在此基础上，给出了启发式约简算法。对于含有噪声的信息系统中完全意义上的约简无法进行，也导致无法正确的分类，引入了两种近似约简算法，一种基于列联矩阵，另一种基于可变精度粗糙集模型，讨论了在数据集不一致、不完整情况下的约简问题。 借鉴ID3算法的思想，提出了基于粗糙集的决策树算法。解决了现有的大部分基于粗集的算法无法用于大规模的数据集的问题，提出了一个分类算法，它比基于粗集的分类算法具有比较好的可扩展性，所提出的算法是懒惰学习算法和Apriori算法的融合。讨论了粒度的概念，在此基础上，构造了一个粒度网络。 传统的基于粗集的算法寻求的是完全确定和正确的分类，而没有考虑其它的因素，比如噪声、对象的重要性等等。本文给出了一般粗糙集模型和基于此模型的分类算法。由于现实世界中的数据都是在不断增长的，本文也给出了基于约束的分类规则的增量学习方法。 最后给出了基于遗传算法的近似约简方法和基于遗传算法的分类学习算法。