信息化时代,人们从各种渠道获取越来越多的数据,尤其是医疗数据、商业数据、教育数据和环境数据。在数据挖掘、机器学习研究领域,粗糙集和决策树在知识归纳方面均有优点,粗糙集进行属性约简剔除不重要的属性,决策树构造树形结构获取分类规则。二者结合已成为数据挖掘方法之一,并且其挖掘的有效规则具有理论和实践意义。基于上述原因,针对数据分类预测过程中,现实中采集的数据维度高,存在冗余属性导致决策树分类结果有所偏差的问题,提出基于粗糙集和决策树的分类预测方法。主要研究工作如下:（1）提出基于粗糙集和免疫算法的属性约简,该算法用属性重要度取得数据集的相对约简属性,通过免疫优化算法对相对约简属性进行全局寻优,得到与所求问题匹配度较高的最小约简属性。即用知识库的相对约简属性限制初始抗体种群的规模及编码方式,使用抗体和抗原的亲和度表示可行解的质量,抗体和抗体的亲和度代表抗体的相似程度,通过对亲和力高的抗体进行克隆复制,免疫操作和种群刷新技术增加种群的复杂多样性,不仅保证抗体的多样性,还使算法的收敛速度有相应的提高,获取最小属性约简的时间减少。（2）利用信息熵侧重于信息表示的特性,信息增益在ID3算法中作为衡量划分节点属性的标准;考量特征对整个决策系统的作用,即属性依赖度刻画条件属性和决策属性的派生关联度,结合二者提出基于信息增益和属性依赖度的决策树算法,该算法将信息增益与属性依赖度进行自适应加权集成,产生更全面描述数据不确定性的混合度量,通过混合度量值的大小来对决策树进行属性划分,保证了决策树的分类能力。通过免疫算法的优化,得到最小约简属性,并通过实验证明了其可行性。通过自适应系数结合信息增益和属性依赖度,得到决策树划分属性的新度量标准。将这两处改进引入到基于粗糙集和决策树的分类预测研究,通过用UCI数据集将新算法与传统算法做比较分析,结果表明两种算法比传统算法具有更好的约简性能和分类能力。