数据挖掘是一门从大量的数据中挖掘出隐藏的有潜在价值知识的技术,是当今研究的热点内容之一。数据挖掘的技术有:决策树方法、模糊集方法、遗传算法、神经网络方法、粗糙集方法、数据统计方法等,其中粗糙集方法起到了非常重要的作用。粗糙集理论自1982年被提出以来,得到了许多研究者们的重视,近年来,其理论和应用方面都取得了极大的进展,在数据挖掘、智能分析以及机器学习等领域都用到了粗糙集理论及其算法。在数据挖掘领域主要是用到了粗糙集的属性约简算法,通过属性约简算法来缩减数据库中的数据量,从而能够使知识发现的时间更短,知识发现结果的质量更高。本论文针对属性约简算法做了如下几个方面的工作:(1)学习了数据挖掘和粗糙集的背景知识以及现存的一些典型的属性约简算法。现存的典型的属性约简算法有基于差别矩阵的属性约简算法、基于属性重要度和信息熵的属性约简算法、基于遗传算法的属性约简算法、基于动态规划的属性约简方法等。(2)提出了基于分类树的属性约简方法。该方法充分利用了树的结构特征来表示属性的分类能力,每个叶子节点代表的是对象集,叶子节点的个数代表了树的对应信息系统的分类情况。每个中间节点都代表了一个属性,中间节点的不同分支代表了不同的属性值。如果删除一个属性对应的列后,用信息系统中剩余的属性及值建立起来的分类树的叶子节点的个数不比删除之前少,则说明该属性是冗余的,在属性约简的过程中可以被删除。否则说明该属性是必要的,不能被约简掉的。(3)在基于分类树的基础上提出了最小属性约简算法。因为一般来说,属性的个数越少,挖掘出的规律也更具有代表性。所以研究最小的属性约简也是许多研究者们关注的主要问题之一。本文就是在基于分类树的基础上,用了分支界限法的思想,通过用尽可能少的组合次数来求出最小的属性约简。