在知识发现过程中，由于待处理的数据集有时带有噪声或不完整，因此需要能处理不精确、不确定数据的理论和方法。粗糙集理论正是满足这种要求的新型数学工具。基于粗糙集的知识发现过程，就是利用粗糙集理论与方法从数据中挖掘出新颖的、有用的非平凡的模式过程。围绕知识约简这个核心研究问题，分别从差别矩阵、启发式信息及数据库系统的角度对知识约简进行了深入研究。将粗糙集引入Vague目标信息系统，讨论了Vague目标信息系统的知识约简问题。相关主要工作有以下几方面： 现有差别矩阵只适用于一致或部分一致决策表，对于完

属性约简是知识表示和数据挖掘中的一个基本问题。 本文研究了基于Dempster-Shafer证据理论的不完全信息系统和不完全决策系统的属性约简。 介绍了不完全信息系统中的似然性降低和置信度降低的概念，以及不完备决策系统中的相对似然性降低和相对置信度降低的概念。 结果表明，在不完整信息系统中，当且仅当属性集是经典归约且似然一致集必须是经典一致集时，属性集才是置信归约。 在一致的不完全决策系统中，相对还原，相对似然还原和相对置信还原的概念都是等效的。 在不一致的不完全决策系统中，当且仅当属性集是相对