粗糙集理论是Z. Pawlak于1982年提出的一种数据挖掘新方法,已成功应用于特征选择、模式识别、机器学习、决策分析等领域.基于粗糙集技术的数据挖掘是通过属性约简来实现的,属性约简算法可粗略地分为三类：前向属性约简算法、后向属性约简算法和其他属性约简算法(如基于区分矩阵的属性约简算法).前向属性约简方法得到的约简大多都存在冗余属性,本文对HORAFA属性约简算法进行改进,提出了一种新的基于差别矩阵的前向选择算法,首先删除区分矩阵中属性重要性最小的属性,然后选择只包含一个属性的矩阵元素,并将其加入到属性约简集合中,确保最终得到一个不存在冗余属性的约简.对于后向属性约简方法,通过分析删除待删属性后得到的等价类的性质,提出了一种以划分基数为停止基准的后向属性约简算法,运用该算法可以得到更少的决策规则.通过分析集合覆盖的性质,对集合覆盖的概念进行了扩展,提出了新的集合覆盖概念,并将其应用到基于区分矩阵的属性约简算法.针对前向属性约简算法在添加新属性后,前续结果需重复计算的问题,提出了一种递归计算方法.在区分矩阵的建立过程中,利用决策属性首先对实例集合进行划分,然后再建立区分矩阵,提高了建立区分矩阵的效率.