随着网络的发展和普及,数据信息急剧增长,为了获取有用信息,传统数据挖掘技术也在不断改变,其中,基于粗糙集的处理不确定性问题的方法,将粗糙集应用到数据挖掘中,由于其自身独特的优点,即在对数据的处理过程中不需要任何集合外信息,这在一定程度上保证了对问题描述和处理的客观性,从而逐渐成为一种主流方法。属性约简作为其核心内容,实质是剔除知识库中某些不相关或不重要的冗余属性,使经过约简处理后的知识库中的数据量维度得以大幅降低,为后续的分类或规则的提取工作提供便利,同时还要保持原知识库的分类能力或决策能力不变。人们往往希望能够尽可能多的从信息表中删除那些不相关或不重要的属性,从而得到最小约简。但是,目前尚不存在一种非常有效的方法得到最小约简,因此,粗糙集理论的热点和难点就是寻求快速有效的约简算法及最小约简,这具有极大的理论价值和现实意义。本文通过对粗糙集理论和经典属性约简算法的深入分析研究,在此基础上提出了两方面的主要工作内容:首先,为了在决策表中获得更好的属性约简组合,从信息论角度分析,在基于区分矩阵的基础上,提出了一种改进的以条件熵作启发信息的约简算法。该算法将条件属性相对于决策属性的条件熵以及属性值的分布情况同时加以考虑。然后用它们的比作为启发因子,重新给出了一种度量属性重要性的依据,并最终得到属性约简集。通过实验证明,该算法能够有效约简属性集,并且使大多数约简结果获得最简决策规则组合。其次,针对不完备决策表,本文结合冲突域的概念,首先根据冲突域中对象数目的变化情况快速求出核属性,然后根据核属性的生成情况有针对性的进行不同思路的约简,如果存在核属性则进行反向验证,判断该核属性是否就是最终的约简结果,反之,则通过以冲突域中的对象个数作为属性重要性判定条件的约简算法,求出最终约简。根据对两种情况的同时考虑设计了一个高效的约简,并证明算法切实可行。