数据挖掘和知识发现是人工智能最重要的研究方向,而复杂环境下信息的不确定性和不一致性是知识发现面临的主要困难。粗糙集理论是在没有任何先验知识的情况下对于数据集划分上下近似,进而来研究数据蕴含的知识。粗糙集理论目前得到广大的应用。目前针对粗糙集处理决策(分类)问题的属性约简算法已经比较成熟,其基本的理论依据是基于属性重要度概念,来对属性进行约简。但是对于具有连续输出回归问题的属性约简,研究的比较少。传统回归的算法基本上都是根据已知样本来构建或是模拟回归函数,利用建立起来的回归函数来对于新的样本进行回归预测,人为地对于回归方程进行了主观的设定,存在不可避免的弊端性。本文的目的有两个,首先,参照决策(分类)问题中的基于粗糙集理论的属性约简来构造回归问题中的属性约简。给出回归问题中的属性重要度概念,并以此设计了两个计算属性重要的方法得到两个属性重要度向量。结合实际数据对属性重要度方法的检验。其次,分析了传统回归分析特点和主要步骤,提出基于粗糙集理论设计回归分析的思路,对比了与传统回归分析的差别,对基于粗糙集理论的回归分析理论进行了分析,针对实际数据做出了验证。