粗糙集理论是上世纪八十年代初由波兰数学家Pawlak首先提出的一种用于数据分析的数学理论,属性约简是粗糙集理论研究中的核心问题之一,也是粗糙集有效算法研究的焦点。其基本思想是在保持分类能力不变的前提下,通过知识约简,导出概念的分类规则。与传统的不确定数据处理方法相比,其最大的优点是无需提供数据的任何先验知识,直接从原有数据出发,基于等价关系对论域进行划分,并利用上下近似的概念描述对象。本文首先综述了粗糙集理论的研究现状,深入分析了现有粗糙集理论的特点与不足;介绍了粗糙集理论基础和一般属性约简算法以及基于核的启发式约简算法。众所周知,在经典粗糙集理论中,论域上的等价关系起着至关重要的作用。但在现实中,论域上的二元关系经常不是等价的,此时经典粗糙集模型的应用就会受到限制,例如,论域上的二元关系存在序的问题,无法利用属性值建立等价关系,对于此类情况,如何将偏序关系的理论引入到粗糙集当中,就成为如何深入研究偏序关系上的知识约简,核的计算等问题的基础。本文所作的工作主要有:1)系统分析归纳了粗糙集理论的现状,基于对粗糙集理论的特点与不足的分析,展望了粗糙集理论的发展前景。2)经典粗糙集理论中的求解决策表的所有属性的约简和最小属性的约简都是NP-hard问题,主要原因就是求解最小属性的约简必须尝试属性的各种组合。本文系统阐述了经典粗糙集模型以及决策表,区分矩阵和约简的基本概念,分别介绍了一般性的约简算法和基于核的启发式算法。3)本文在决策表中按每个属性值排序对象的排序,并挖掘整体排序的规则。为此,在决策表上引进了偏序关系(自反性、反对称性、传递性)得到偏序关系表,并在此基础上进行数据分析,决策规则的简化。4)在偏序决策表的基础上,对各等价类进行分析,提出了了新的核及属性约简计算算法,通过实例,验证了方法的有效性。