本文研究了基于粗糙集的决策树技术在体检系统中的应用。针对体检信息的特点,将粗糙集理论和决策树技术相结合,给出了一种变精度分支汇总粗糙度决策模型。首先分析对比较为成熟的属性约简算法的优缺点,提出论域缩减的方法。把讨论对象的数量变化纳入到计算过程,考虑约简集合中属性增减的同时,删除依据该属性能够正确分类的对象,避免冗余计算,达到提高约简效率的效果。在上述基础上结合体检诊断的特点提出基于变精度分支汇总粗糙度的决策树算法。大量基于粗糙集理论的决策树算法只是考虑当前候选属性之间的信息包含度,没有考虑把候选属性放到整个决策过程所产生的影响,因此,容易引起局部最佳问题,本文综合分离属性的每个划分对整个分类的贡献程度,把每个分支贡献度汇集成该属性的分支汇总粗糙度,以此作为分离属性选择标准,避免了局部最佳效应。为了更好的解决泛化问题,提高分类能力,引入变精度粗糙集模型,引入误差参数β,允许在对实例进行划分时存在一定的分类误差,在分类精度和泛化能力之间进行灵活调整。随着人们生活水平的提高,体检成为一门新兴的朝阳产业,研究适用于体检的辅助诊断系统,提高体检资源的利用率具有广阔的应用背景。现代生活给人们带来很多身体问题,处于‘亚健康’中的人群体检中临床症状不像医疗诊断中那么明显,必须综合考虑整个身体情况,即全局性。分支汇总的概念很好的解决了这个问题,其综合考虑全局性的特点避免了针对单个临床症状所带来的偏差。另一方面体检确诊界定比较模糊,对于某些客户的状况以严格的医学标准不构成疾病,同时也达不到健康标准,变精度模型的引入使得该决策模型可以根据临床数据进行诊断标准的自修正,很好的适应了体检辅助诊断的特点。