作为知识发现中的核心环节,数据挖掘能够从海量数据中提取有价值的信息,是当前人工智能和信息科学研究领域中的热点课题。基于粗糙集的数据挖掘,就是利用粗糙集理论及方法从数据中挖掘出新颖的、有用的知识的过程。决策树是数据挖掘中最常用的方法,具有速度快、结构简单、易理解等优点。然而在实际应用过程中,现存的决策树算法有着许多不足之处,本文将粗糙集与决策树相结合,对优化决策树算法进行了深入分析和研究。1、粗糙集部分。分析讨论了差别矩阵约简算法,并提出了简化差别矩阵约简方法。该方法用等价类构造差别矩阵,与单个元素参与差别矩阵构造相比更易得到决策表的约简;由于属性的知识量越大,说明它的区分力越强,提出了一种基于属性区分力的决策表知识约简方法。该方法将差别矩阵与属性区分力相结合,与基于正区域等方法相比,它更容易搜索到属性约简。2、决策树部分。结合粗糙集,提出了基于区分价值的决策树优化算法。该方法根据属性区分价值的不同,把属性分成两部分,能够较快地得到区分价值较高的候选属性;从知识约简和剪枝两方面对决策树算法进行优化,提出了一种基于粗糙集的决策树后剪枝优化算法。该方法首先利用基于属性区分力的约简方法计算出重要结点,且在剪枝过程中不必计算非重要结点的错误率,从而降低了决策树算法复杂度,提高了建树的效率。3、最后,对本文提出的基于区分价值的优化算法和基于粗糙集的决策树后剪枝优化算法分别与相关算法进行了实验评估与对比。实验结果表明这两种算法都具有可行性,取得了较好的效果。