数据挖掘是目前信息决策领域最前沿的研究方向之一,它融合了机器学习、神经网络、模式识别、粗糙集等多种理论及技术。粗糙集理论是一种处理不精确、不确定知识的数学方法,近年来,因其在模式识别、数据挖掘、决策分析等方面的广泛应用而备受关注。经典粗糙集理论以等价关系为基础,它假设每个对象的所有属性值都已知。然而不完备信息系统大量存在,此时,由于等价关系不再成立,经典粗糙集模型的应用受到限制。因此,如何在不完备信息系统中进行数据挖掘,特别是在尽量不改变原系统信息成分的前提下从信息系统中获取知识是一个重要的研究课题。本文主要研究不完备信息系统下的属性约简方法。首先,对数据挖掘和经典粗糙集理论作了系统阐述。其次,对不完备信息系统中的几种粗糙集扩展模型及其属性约简算法进行了分析和比较。再次,将粒度计算理论与粗糙集理论相结合,给出了不完备信息系统下的一种知识约简算法。最后,给出了不完备信息系统下知识和粗集不确定性度量的一种新方法,该定义考虑到了边界域对不确定性的影响。它为不完备信息系统下的属性约简和知识获取提供了有力工具。