随着信息时代的到来，信息量日益增长，人们对信息分析工具的要求越来越高。人们不仅希望我们的分析工具具有能处理海量信息的能力，而且要求它具有较高的准确率。在数据挖掘过程中通过对具有类别标记的实例(数据)进行训练，得到一个能预测新实例所属类别的模型，获得了需要的知识，接下来的工作就是根据对现实的观察，利用已获得的知识进行推理，得到我们所需要的结论。近几十年来，出现了各种各样的优秀的识别算法，而且都在一定的领域取得了不错的效果，但由于现实的复杂性与数据的多样性，使得如果单一的用某一种方法进行识别，往往都会由于算法本身的缺陷，或不能得到相对高的识别率，或是分类速度较慢、识别能力不稳定等。因此，一些学者提出将多种分类方法进行集成，以提高算法的准确率。而因为粗糙集能对知识进行约简处理，简化信息系统结构，因此很多学者将粗糙集与其他分类算法结合进行识别研究，此方法在一定程度上提高了算法的识别率，但这些方法大都只利用了粗糙集的预处理优势，而忽视了粗糙集本身的分类能力。　　 粗糙集理论是一种能够定量分析处理不精确、不一致、不完整信息与知识的数学工具，其不仅能简化信息表达空间，减小训练模型复杂性和缩短训练时间，还可以解决重要的分类问题。本文利用粗糙集的各种的优势，将粗糙集、支持向量机与决策树三种方法结合起来，通过分析数据特征，提出利用样本对规则集的覆盖度和设置一个相关阈值来进行最优分类方法的动态选择，在第一时间为不同的样本选择到相对较优的分类算法。　　 在本文思想基础上，将算法在一定的环境进行了实现，实验结果表明：本文所提算法无论是在识别率的高低上还是稳定性上都有一定的提高，对不同的样本能在第一时间为其选择到相对较优的识别算法来对其进行识别。