在信息瞬息变幻的当今社会，如何从海量的知识库中挖掘隐含的、有价值的信息，已成为目前数据挖掘领域研究的热点和难点。粗糙集理论是一种有效处理不确定性和不精确性问题的数学工具，目前已被普遍的应用在医学诊断、模式识别等领域。粗糙集理论的核心问题之一是属性约简，它是数据归约的一种形式，其基本思想是在保持信息系统的分类能力不变的前提下，删除不必要的属性，减少数据的维度。为寻求高效的属性约简算法，论文对经典粗糙集模型和扩展粗糙集模型下的约简算法进行了研究，在分析了基于互信息和一致性准则属性约简算法的不足的基础上，完成了下列主要工作：（1）为了解决经典正区域求核算法的低效性，论文提出了一种简化正区域的新求核算法，实验结果表明，新算法的运行速度更快。（2）对基于一致性准则的属性约简算法效率进行了研究。从对象一致性的角度，重新定义了属性的重要度及核的计算方法，在此基础上，提出了一种改进一致性准则的属性约简算法。选取合适的一致性参数ε和数据集进行实验，证明了改进一致性准则属性约简算法的运行速度更快。（3）粗糙集在心血管疾病诊断中的应用研究。论文分析了心血管数据的基本特征，阐述了心血管数据的预处理方法，利用基于互信息和一致性准则的属性约简算法处理了心血管诊断实例，实验结果验证了基于粗糙集属性约简算法的有效性。