粗糙集理论是一种有效的处理不精确、不一致、不完备等不确定信息的数学理论。用确定的方法处理不确定知识,不需要先验知识,可完全从数据或经验中获取知识,在机器学习、数据挖掘、智能数据分析、控制算法获取等领域取得了很大的成功。然而数据集特别是海量数据集中经常含有噪声,从而导致经典粗糙集分类效果不佳,甚至失败。为了解决这一问题,加拿大Ziarko.W教授于1993年提出了可变精度粗糙集理论。该理论通过引入噪音阈值β,增强了对噪音的适应性,在处理不确定信息上取得了成功。可变精度粗糙集与经典粗糙集的区别在于噪音阈值β的引入。噪音阈值β的变化直接导致了可变精度粗糙集β正域,β边界域,和β负域的变化。显然,噪音阈值β直接影响到了可变精度粗糙集理论获取知识的性能。然而,以往对噪音阈值β的设定,均依赖于先验知识,在先验知识缺乏的情况下应用受到限制。本文针对这个问题提出一种数据驱动的可变精度粗糙集噪音阈值的自主式获取方法。仿真实验结果表明,按照本文方法获取的噪音阈值β能够提高可变精度粗糙集理论获取知识的性能。另外,由于噪音阈值β的引入,可变精度粗糙集理论中决策表的约简要比经典粗糙集中情况复杂,会产生约简异常。约简的实质是粒子的合并。本文从粒子合并的角度,研究了可变精度粗糙集理论中决策表约简异常产生的原因和具体情况,并且进一步提出了一种数据驱动的可变精度粗糙集约简算法。