粗糙集理论是一种新的处理模糊和不确定知识的软计算工具。它能有效地分析和处理不精确、不一致、不完整等各种不完备信息，并从中发现隐含的知识，揭示潜在的规律。近年来在机器学习、数据挖掘等多个领域得到广泛应用。　　 经典的粗糙集知识获取算法的时间复杂度都比较高，对于大数据集的处理效率不高，这大大限制了粗糙集的实际应用。因此，需要研究面向海量数据的粗糙集知识获取算法。　　 作为一种高性能计算技术，并行计算已经在数据挖掘中得到了很好的应用。把并行计算应用到基于粗糙集的知识获取算法中，提出面向海量数据的粗糙集并行知识获取算法，将是一个值得研究的问题。　　 本文结合并行计算，从粗糙集知识获取算法的处理效率出发进行了以下研究工作：　　 (1)分析了决策表中同一条件属性的候选断点集的断点重要性随断点值增大时的分布规律。基于此规律，提出了基于动态聚类的两步离散化算法。　　 (2)分析了基于动态聚类的两步离散化算法存在的并发性，提出了基于动态聚类的两步并行离散化算法，进一步提高了该算法的运行效率。　　 (3)结合并行计算的分治思想，提出了基于粗糙集理论的并行属性约简算法。　　 (4)对以上三种算法进行了仿真实验，得到了较好的结果。