作为一种处理模糊和不确定性问题的数据分析工具，粗糙集理论是非常具有优势的。它能有效的处理不完备的、不精确的、不确定的那些问题，现在已经和数据挖掘、模式识别成功的结合起来。知识发现（KD）或者数据挖掘（DM）就是从那些海量的、缺失的、不确定性的、模糊的、有噪声的、随机的数据集合中甄别隐藏在信息系统中的人类喜好关注的或者说有用的知识。在基于粗糙集的数据挖掘的研究中数据处理是整个数据挖掘的关键，在数据处理中我们要对条件属性集合进行约简和对数据进行离散化处理，而属性约简正是粗糙集的核心内容之一，所以用粗糙集的知识研究数据挖掘是不错的选择。模糊理论这种工具已经被用来处理模糊现象（所表现出来的现象是模糊不清的）和模糊概念（是指所定义的概念它的外延具有不确定性，也就是说它的外延是模糊不清的），模糊数学处理的事件在本质上也是不确定的，是模糊存在的，模糊数学和粗糙集有很强的共通性和互补性，如何依赖这些特性，是研究粗糙集模型和模糊模型顺利结合的关键。本文主要论述粗糙集知识和排序知识、模糊知识、SVM知识相结合的问题，主要研究内容如下：（1）研究了对0，1决策信息系统排序后的基于辨识矩阵和属性重要度的启发式约简算法的算法时间复杂度，然后与经典粗糙集约简算法进行比较研究。对完备信息系统排序后的基于辨识矩阵约简和属性重要度的启发式约简的算法算法时间复杂度和经典粗糙集约简算法进行比较研究。再对不完备信息系统排序后的约简算法进行了粗略探讨。（2）讨论了基于模糊集和粗糙集相结合的模型，建立了关于模糊隶属函数的基于联系度模糊容差关系模型，讨论了这个模型的约简问题，在文中用模糊集合的模糊特征评价来代替粗糙集属性重要度进行属性约简，并且用模糊关系矩阵的知识论证了粗糙集属性约简中辨识矩阵降维方法的可行性。（3）在文章末尾粗略的研究了粗糙SVM模型。