粗糙集理论是一种能够处理模糊和不确定信息的有效工具，近年来在机器学习等多个领域得到了广泛的应用。在许多实际应用中，粗糙集并不能直接用来从原始的信息系统获取知识，必须对信息系统进行预处理，其中，数据离散化是预处理中关键的一步。对信息系统的有效离散化能够大大提高后续规则学习过程的效率和学习结果的性能。　　 论文的主要工作包括两个方面：　　 首先，论文对基于辅助矩阵和信息熵的两类基于粗糙集模型的主要启发式离散化算法进行实验研究，对两类算法的综合性能进行比较。结果表明，基于辅助矩阵的算法复杂度较高，较适合于处理小容量数据集；信息熵类算法的识别率虽略低于辅助矩阵类算法，但是在正确识别率方面有一定优势，而且计算时间短，在样本分布均匀和阈值选择合适的情况下适合于处理较大容量数据集。　　 其次，论文通过改进断点重要性的度量方式，提出了一种新的基于信息熵的启发式数据离散化算法。仿真测试结果表明，在样本分布均匀和阈值选择合适的情况下，新算法的运行时间明显缩短，而且具有较高的识别率，适合于处理较大容量数据集。