随着计算机网络技术的不断发展和普及，数据量正在以一个爆炸式的趋势增长，数据的复杂度也更加多样化，而要从海量的数据中获取有价值的信息也变的非常困难，这给数据挖掘技术带来一定挑战，而粒计算是一种新的数据挖掘技术，它主要是应用于数据集的属性约简。本文在量子计算、粒计算、机器学习和数据挖掘等理论的基础上，提出了一种基于量子计算的粒计算模型，这也是对粒计算理论在微观视角重要补充与完善，为某些用传统技术难于理解的问题提供了另一条有益的思路，它主要是应用了量子计算的并行性、指数级存储容量和指数级加速等特性，其在求解某些问题上表现出来巨大的运算效果，同时也有越来越多的科学家开始对量子计算产生了广泛的兴趣。本文主要研究的内容如下：（1）提出了一种改进的Grover量子算法搜索算法。针对经典Grover算法在对求解目标解个数比较多的搜索空间问题时存在的一些不足，本文提出了一种基于3相位旋转的改进的量子搜索算法，非常有效而且巧妙的解决了当目标解个数比较多时基本的Grover算法搜索成功概率为0或者算法失效的问题，其搜索成功的概率也有了相当程度的提高。（2）提出了一种基于量子计算的粒计算模型。研究了量子信息粒的粒计算模型的许多有关概念、理论和定义，本模型在实际应用中都充分利用了量子计算的并行性、多样性以及粒计算的分层特性。（3）运用改进的Grover算法加速Rough Set数据属性约简。基于传统的一些属性约简算法存在的一些问题，本文第一次提出了把改进的Grover算法运用到Rough Set数据属性约简过程中，实验结果表明，这种改进的Grover算法加速并且提高了对海量数据的分类性能，证明该算法是可行和有效的。