集成学习和粗糙集理论是当今人工智能和机器学习领域的热点课题。大量研究表明,集成分类器具有很好的学习效果。怎样生成较好的子分类器以及如何选择子分类器进行融合都是影响集成学习效果的关键因素。粗糙集理论作为具有坚实数学基础的学习工具,已被广泛应用于模式识别和数据挖掘等众多领域。在经典粗糙集理论的基础上,人们又提出了许多新的改进的方法,使得粗糙集方法作为学习分类器有了更优良的性能。我们主要着眼于融合粗糙集和集成的优点提高学习效果。本文首先介绍了粗糙集的原理以及粗糙集约简和规则,然后介绍了规则的衡量标准以及集成的有关知识。而后,我们提出一种基于信任度的动态集成粗糙集约简的方法,在运用粗糙集方法生成具有一定差异性和精确性的子分类器的同时,使用动态集成策略尝试解决“当至少有一个分类器能分对测试样例时如何提高测试精度”的问题。实验结果证实了我们的方法的有效性。我们还将对实验中发现的一些有趣现象进行了分析。