近年来,分类器的研究是机器学习的一个热点问题。大量研究表明如今的分类器大都分类精确但很难理解。Mario Marchand和John Shawe-Taylor在2002年提出了集覆盖机(The set covering machine,SCM)理论。它是作为支持向量机的替代算法提出来的,其目的是获得一个具有良好泛化性能的分类器。SCM理论提供了控制准确性和复杂度之间恰当的权衡,对于任意由数据构造的布尔属性的特征集,SCM均能实现对其目标函数属性的析取或合取。集覆盖算法表现出和其它学习机器一样的有效性并且在某些方面还优于那些学习机器。但是由于许多信息系统的属性集合都是非布尔量的,因此这种算法不能作为处理一般的实际学习任务而直接使用。本文为了推广集覆盖机的应用,提出了将非布尔属性改为布尔属性的一种方法,并对集覆盖机算法做了改进。将原本仅能处理布尔属性的集覆盖机算法拓展到了可以处理条件属性的取值为非布尔值的情况,同时还拓展到可以处理决策属性的取值为非布尔值,即多类的情况,打破了集覆盖机算法的局限性。通过与粗糙集知识的结合,得出了更直观的决策规则。通过分析和处理实际数据,获得了较理想的结果,验证了算法的可行性。