粗糙集理论是一种处理不确定性问题的数学工具,它与以往的模糊集、概率论等方法的显著区别在于不需要提供任何先验信息,因此受到众多学者的青睐和关注。经过三十多年的发展和完善,该理论已经被广泛应用到数据分析,人工智能等领域,成为流行的数据处理理论之一。属性约简作为粗糙集理论研究的核心内容之一,始终是学者们研究的重点。基于不同的启发思想,学者们提出了许多属性约简算法。其中基于差别矩阵的约简算法由于便于运算和存储等优点,越来越受到研究者的关注。但是,该方法仍然存在一些问题,如存在大量冗余元素,时空代价过高等。针对这些问题,本文本文提出了一树型存储结构,该数据结构能消除差别矩阵中一些冗余元素,并能实现对差别矩阵非空元素的压缩存储。基于该数据结构,本文提出了一粗糙集属性约简算法。本论文主要的研究内容如下:1.主要研究了粗糙集中基于属性重要度、差别矩阵的和改进型差别矩阵的属性约简算法,并分析对比了这些常用算法的优缺点。2.针对差别矩阵属性约简过程中出现大量冗余元素这一问题,提出基于数字查找树的存储结构。该结构消除了差别矩阵中的重复元素,并使得部分具有父子关系的元素共享树中父集所在路径,从而实现数据的压缩存储。通过实验对比验证了该算法的有效性。3.对传统的数字查找树引入剪枝策略,以实现对差别信息的进一步压缩存储。基于改进型数字查找树,提出相应的约简算法,通过UCI数据集的实验,证明该算法是有效的。