数据挖掘是利用分析工具从大量的、不完全的、有噪声的、模糊的、随机的数据中,提取出隐含在其中、事先未知、但又潜在有用的信息和知识。数据分类是数据挖掘的重要内容之一,目前用于分类的方法有很多,如粗糙集、决策树、贝叶斯网络、遗传算法等。粗糙集理论是波兰数学家Z. Pawlak于1982年提出的一种新的处理模糊和不确定性知识的数学工具。其主要思想就是在保持分类能力不变的前提下,通过知识约简,导出问题的决策或分类规则。决策树是通过一组无次序、无规则的实例推理出树表现形式的分类规则,它有易理解、易训练、易实施和通用性强等优点。粗糙集和决策树都是常用的分类方法,本文将两者相结合,取长补短,对数据进行分类挖掘,主要研究内容包括:1)对属性约简算法进行研究。大多数情况下,知识库存在冗余的属性,冗余属性既是对计算机资源的浪费(需要大量的存储空间),也会干扰人们做出正确而简洁的决策,所以有必要对属性进行约简。本文首先介绍了粗糙集中有关约简的相关概念,然后分析了几种典型的属性约简算法,最后提出了一种基于遗传算法的粗糙集属性约简算法,给出了算法的基本思想、详细设计过程、基本框架,并通过实例证明了本文算法能够快速有效地进行属性约简。2)对决策树分类方法进行研究。根据何种度量准则选择属性作为节点是决策树构造的一个关键问题。本文对现有的决策树算法进行研究,在原ID3算法的基础上,结合粗糙集理论和决策树基本原理,提出使用粗糙集理论选择属性作为节点来构造决策树,然后利用PEP后剪枝方法的优点,选择其为树剪枝,最后得出最简分类规则。