随着数据库技术的迅速发展以及数据库管理系统的广泛应用,人们积累的数据越来越多,而大量激增的数据背后隐藏着许多重要的信息。数据挖掘,就是从大量数据中提取或“挖掘”隐含的、事先未知的、潜在有用的信息。粗糙集理论是一种新的处理模糊和不确定知识的数学工具。该理论的特点是不需要任何先验知识,或任何附加信息,能有效地分析和处理不精确、不完整和不一致等各种不完备信息,并从中发现隐含知识,揭示潜在规律。它是一种新的数据挖掘技术。属性约简是粗糙集理论的核心内容之一。本文把信息熵理论中的互信息作为启发信息,得出两种新的属性约简算法。第一个算法是以互信息作为启发信息,对于能够直接决策的对象直接列出决策结果,然后再对其余的对象进行决策,这样做减少了不必要的重复。这里注意的是同一路径上的属性是不能重复的,这也是决策树的一种剪枝方法。第二个算法以空集作为约简的起点开始搜索,采用回溯的分析方法,减少了搜索空间,提高了算法的效率。这两种算法都可以减小搜索的次数,从而减少了搜索空间。最后分别用实例验证了这两种算法的正确性和高效性。经典的粗糙集理论主要用于离散特征值的情形,信息熵也主要用于离散值信息系统,而实际的数据不仅有离散的也有连续的情形。最后介绍了模糊粗糙集信息熵的基本理论,并将其应用到连续值评估模型中,提出了一种基于模糊熵的评估模型的属性约简算法,并且用实例验证了算法的有效性。