粗糙集(Roughsets)理论是由Z.Pawlak教授于20世纪80年代初提出的一种用于处理不确定性和含糊性知识的数学工具，其基本思想是在保持分类能力不变的前提下，通过知识约简，导出概念的分类规则。它无需提供相关数据集合以外的任何先验信息，适合于发现数据库中隐含的、潜在有用的规律，即知识，找出其内部数据的关联关系和特征。近年来，粗糙集理论和应用取得了很大的成功，已成为软计算方法的重要分支，其涉及的领域包括模式识别、机器学习、决策分析和决策支持、知识获取、知识发现等。 本文在总结和借鉴前人经验的基础上，对基于粗糙集的数据挖掘技术进行了系统的研究。在分析和综合基于粗糙集理论的数据挖掘算法基础上，提出了一种新的属性约简方法。并将该算法应用于供应链合作伙伴评价选择，运用粗糙集来对历史的评价结果数据进行挖掘，最终得到用于合作伙伴评价选择的分类规则。实例分析表明，文章提供的算法能够以较大的概率和较高的效率获得较优的属性约简，具有良好的效果。