粗糙集理论是数据挖掘的重要工具,也是粒计算理论的一个重要分支。经典粗糙集是由波兰学者Pawlak于上世纪80年代提出来的。粗糙集理论通过对象间的不可区分关系(等价关系),为不完全和不充分信息的处理提供了一套系统的方法。当前粗糙集理论已经成为计算机科学、信息科学、人工智能等领域的研究热点。知识约简是粗糙集理论的重要应用,也是其核心问题之一。知识约简是指在不改变整个数据集的分类能力的情况下,消去信息系统或者决策表中的冗余。由于数据集本身的复杂性和传统约简方法的局限,在处理海量数据时,粗糙集理论没有体现出它应有的活力。许多学者在知识约简方法的改进上做了大量的探索。例如并行约简的概念。并行约简是近两年出现的知识约简研究的热点,它利用并行计算的思想和方法,应用到基于粗糙集的数据挖掘当中。并行约简的概念比较新,理论体系、方法和技术等均有待完善,目前还没有一种高效的并行属性约简算法,值得研究和探索。本文围绕基于粗糙集的并行约简定义、性质的讨论,对不同形式的数据集进行子表抽样,子表并行约简和提取决策规则展开。论文所做的工作有：(1)针对不同的数据特点,引入相应的并行约简定义,并进行局部的扩展和算法研究。本文一共定义了三种类型的并行约简：基于正域的并行约简、基于差别矩阵的并行约简以及基于属性重要度的并行约简,并同时完成了这三种形式的并行约简算法设计。(2)针对基于正域的并行约简的条件限制,提出了变精度并行约简概念,并对变精度并行约简的性质进行了讨论。(3)针对不同性质的数据集,设计了不同的子表抽取策略。并在如何对海量数据进行子表抽样问题中,提出了一种聚类抽取子表的方法。(4)对现有的决策规则提取方法的局限性进行了分析,针对增量式规则提取,给出了一种解决方法。