粗糙集理论是一种新的处理模糊和不精确问题的重要数学工具,由荷兰学者PawlalkZ于1982年提出的。它不依赖于数据集之外的附加信息,是处理含有噪声、不精确、不完整数据的有力工具,是一种新的数据挖掘技术。基于粗糙集理论的数据挖掘过程主要分为数据预处理、属性约简、规则生成和决策支持四个步骤。本文研究了属性约简的相关算法,并探讨了数据预处理过程中的连续属性离散化问题。属性约简是利用粗糙集理论进行数据挖掘中最重要的一个环节,它分为前向选择法和后向删除法两大类,其中前者主要基于属性核的结果,因此本文着重研究了求核算法。当决策表中存在大量冗余或不相容数据时,以往的求核算法,虽然既可以处理相容数据,又可以有效得到不相容数据的求核结果,但它们采用或者保留冲突数据的方法计算,或者直接删除冗余与冲突数据进行处理,而忽略了其内在隐含的信息。本文给出了一种加权求核算法,能够根据冗余或不相容的程度体现出数据的参考价值和结果的可靠性,并已通过实验证实,所得结果更接近于实际情况,弥补了仅仅从算法角度求核的不足。连续属性离散化是数据挖掘过程中的前期工作,本文介绍了几种离散化思想,并讨论了传统的基于属性重要性离散化方法和结合微粒群理论进行离散化处理的过程,为本文的国民经济动员潜力分析系统连续属性离散化处理提供理论指导。最后,以蘑菇数据库为例进行实验,得到影响蘑菇毒性的属性及规则,证实了粗糙集理论在数据挖掘过程中的有效性。由于蘑菇数据库与本文的国民经济动员潜力分析系统的数据相似性,从而,尝试性应用于后者,达到国民经济动员的目的。