粗糙集理论由Z.Pawlak于1982年提出,是继概率论、模糊集理论、证据理论之后的又一个处理不确定性的数学工具。该理论不需要任何附加的信息或先验知识,就能有效地分析和处理不精确、不完整和不一致的数据,并从中发现隐含的知识,揭示潜在的规律,并进行知识的约简。粗糙集理论已经在很多领域如数据挖掘、机器学习、模式识别、决策分析等取得了成功的应用。建立在粗糙集的属性约简基础上的知识约简方法是粗糙集理论研究的重要内容之一,已经证明求所有属性的最小约简是一个NP完全问题,目前的决策表求核及属性约简方法的时间复杂度都比较高,因此还需要进一步研究知识约简的有效算法。本文在总结前人的研究成果的基础上,设计了一种对数据编码的方法,并采用对候选纪录集剪枝的策略计算属性核,提高求解决策表属性核的算法效率,提出了利用属性核对可分辨矩阵进行分块的方法,大大降低了计算属性频率的时间复杂性。综合上述研究结果,以属性频率作为属性重要性的启发函数,构造了一种高效的知识约简算法。经过理论分析和模拟实验,验证了本文所提的算法是可行和高效的。