粗糙集作为一种处理不精确、不确定与不完全数据的新的数学理论，同模糊集、神经网络、证据理论一起成为不确定性理论计算的一个重要分支。粗糙集的特点是在信息不完备的情况下尽可能的给出问题的最大可能解，我国从94年开始了对粗糙集的研究，近几年来，粗糙集理论凭借其有效地分析和处理不完备信息的能力，日益受到国际学术届的重视，已经在许多科学与工程领域得到成功的应用。 属性约简是粗糙集用于数据分析的重要概念。寻求一种高效的属性约简算法仍然是粗糙集的研究热点之一，现尚不存在一种非常有效的约简算法。研究表明，最小约简的计算和全部约简的求算都是NP问题，在人工智能中，解决这类问题的一般方法是利用启发式信息进行约简。本文详细分析了几种典型的约简算法，提出了一种新的基于属性关联度的启发式约简算法。从算法的执行时间、约简的完备性和约简的最小性几方面进行对比分析，通过实例说明了该方法是有效的。基于粗糙集理论的群体推理——即将不确定性信息处理技术与群决策理论与方法集成的研究，是一个崭新的研究领域。其主要思想是运用粗糙集理论，对专家根据经验和逻辑推理形成的规则进行约简，得到简明实用的规则，并从主、客观两方面对群体规则进行集结，以改善群体推理的能力，最后举例说明了整个推理过程。