粗糙集理论是一种处理不精确、不一致、不完整等问题的数学工具，无需提供问题所需处理的数据集合之外的任何先验信息，可直接对数据进行分析和推理，从中发现隐含的知识，揭示潜在的规律。自20世纪80年代末以来，关于粗糙集理论和应用的研究逐渐成为智能信息处理领域的热点问题，并已经在数据挖掘、机器学习、模式识别、决策分析等领域取得了成功的应用。属性约简是粗糙集理论中的重要问题，是在保持分类能力不变的前提下，删除冗余的属性。寻求快速的约简算法是粗糙集理论的重要研究内容之一，是知识获取的关键步骤。本文针对属性约简展开研究。主要工作如下：(1)概述了粗糙集理论的相关知识，系统地分析了经典粗糙集理论的属性约简算法。(2)提出了一种改进的基于差别矩阵完备的约简算法IAARBDM，用一维数组存储差别矩阵的元素，存储之前先进行元素冗余性的判断，约去大量冗余的元素，简化了差别函数，从而提高了效率。针对大规模数据集的差别函数可能较为复杂的问题，基于IAARBDM算法提出了AARSDM算法，有利于快速找到最优或次优约简。(3)提出一个启发式快速搜索属性约简算法HAARDT，利用矩阵中相同基数的矩阵元素簇集中属性出现的频度，确定属性的重要度，能快速搜索到最优或次优约简，避免了计算复杂差别函数的解析范式。(4)给出一个基于粗糙集提取异常行为规则的算法AAAR，并结合实例探讨了挖掘异常行为规则的应用价值。