近年来，随着数据库技术的迅速发展以及数据库管理系统的广泛应用，企业的数据库或数据仓库中积累的数据越来越多。然而激增的数据背后隐藏着许多重要的信息，企业中的领导希望能够对其进行更高层次的分析，以便更好地利用这些数据，为企业以后的营销、发展提供正确的决策方案。但从众多的数据中鉴别并充分抽取有效强壮的特征目前还是一个没有完全解决的问题。 本论文首先介绍了数据挖掘理论及其在营销中的应用，并着重对数据挖掘的两种重要新方法粗糙集理论和神经网络以及它们的应用进行了概述。接着介绍了经典(Pawlak型)粗糙集模型的基本理论，它是建立在等价关系基础之上的，用上下近似集合来表示一个不精确的概念。由于等价关系条件较强，有一定的局限性，已经证明求所有约简和最小约简是NP-Hard问题。属性约简问题是粗糙集理论的核心问题之一，本文提出了一种基于GENRED的最大概率因子的改进属性约简算法，并将该算法应用在市场营销的客户购买分析方面。接下来分别介绍了变精度型粗糙集模型及其在企业经营现状分析方面的应用、概率粗糙集模型及其在产品分类方面应用和不完备信息系统粗糙集模型及其在产品销售方面的应用。针对目前在对企业的大型数据库或数据仓库进行数据挖掘时，输入信息不仅数据量大，而且存在噪声干扰，在数据挖掘中单纯的使用粗集方法会受噪声干扰而直接影响分类精度，单纯使用神经网络会因输入信息空间维数较大使网络结构复杂且训练时间长的问题，本论文最后将粗糙集理论与神经网络相结合，首先介绍了基于粗神经网络的数据挖掘方法在营销中的应用流程，接着介绍了基于粗神经网络数据挖掘的市场营销系统框架，最后将粗糙集理论与神经网络相结合应用于市场营销的产品销售预测领域，进行销售预测。