在实际问题中,由于种种原因,数据库中的数据很少是完全的,在数据挖掘中,待处理的数据常有某种程度的不完备.不完备的信息系统普遍存在,如果直接对其使用针对完备信息系统的数据挖掘方法,往往是不合理的,甚至可能会严重影响到挖掘的效果.造成信息不完备的原因是多样的,现实情况下,有些数据受客观条件限制无法观测到,或在数据录入过程受人为的因素影响导致数据缺失,或由于存储介质的故障、传输媒体的故障导致数据缺失,或数据被隐藏等等.粗糙集(Rough Set)理论是由波兰华沙理工大学Pawlak教授于20世纪80年代初提出的,是一种研究不完整、不确定知识和数据的表达、学习、归纳的理论方法.神经网络则有较强的学习能力,可根据一定的学习算法自动地从训练实例中学习并得到规则.该研究将粗糙集理论与神经网络方法相结合,使两种方法优势互补.首先基于粗糙集理论对不完备系统进行完备化,然后对完备化后信息系统使用神经网络方法进行数据挖掘.在完备化处理中,我们提出了改进的ROUSTIDA算法,该方法考虑到不完备信息系统中的遗失数据值的填补,应该尽可能反映此信息系统的基本特征以及隐含的内在规律,故以基于粗糙集理论的可辨识矩阵作为算法的基础,对原有ROUSTIDA算法的适用范围进行扩充,从而使得这种完备化更合理、有效.进而我们提出并建立了将信息系统对象的条件属性对其决策的影响程度进行量化、根据对一致性影响的程度来找出与有缺失属性的对象一致性最好的对象的一致性表征填充方法.最后运用神经网络的方法对完备化后信息系统进行学习和仿真实现验证.实验表明,我们的完备化方法是合理和有效的.