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，激增的数据背后隐藏着许多重要的信息，人们希望能够对数据进行分析，以便挖掘出其中存在的关系和规则，并希望能够对其进行更高层次的分析，更好地利用这些数据，根据现有的数据预测未来的发展趋势。数据挖掘技术应运而生，它是目前数据库和信息决策领域最前沿的研究方向之一。粗糙集理论是波兰数学家Pawlak Z于1982年提出的一种处理不确定和不完整数据的理论，其主要思想是在保持分类能力不变的前提下，通过知识约简，导出问题的决策或分类规则。粗糙集理论对问题的不确定性的描述或处理比较客观，与其它处理不确定性问题的理论有很强的互补性。 首先介绍了数据挖掘和粗糙集理论的基本概念、发展及应用，分析了粗糙集理论与其它数据挖掘方法的特点及互补性，并对粗糙集理论在数据挖掘中的应用进行了综合的分析研究。通过对粗糙集理论与神经网络的互补性分析，提出将粗糙集的约简和属性重要性等概念引入到组合的神经网络分类器的构造中，得到了基于粗糙集理论构造的、可理解性更强的组合分类器，比较实验结果证明该分类器具有较高的分类精度和分类质量。约简是粗糙集理论在数据挖掘中的主要应用，在分析比较了目前常用的多种约简算法之后，针对这些算法对大数据集进行处理时的时间复杂性和空间性大的缺点，提出了基于元信息的并行约简算法设计方案，以及基于PC集群的算法实现模型。最后，对全文所做的工作进行了总结，并对下一步研究工作进行了展望。