粗糙集理论是Pawlak教授在20世纪80年代提出的一种处理不确定性和含糊性知识的数学处理工具。知识约简是其中的核心内容，是在保持分类能力基本不变的情况下，获得系统的约简属性和分类规则。 人工神经网络通过模拟神经元进行学习，使建立的模型具备智能。它的学习过程主要通过调节权值和域值，达到学习的目的。人工神经网络可以实现分布式信息存储及并行协同信息处理，使信息处理和存储相结合，对信息的处理具备自组织的特点。 粗糙集和神经网络在现实中都已得到广泛的应用。但是，粗糙集对数据中出现噪声比较敏感，而神经网络对于在数据中存在过量冗余信息时将导致训练过度。本文融合粗糙集和神经网络各自的优势，将粗糙集理论和神经网络方法相结合进行研究。 本文主要工作如下：(1)对信息系统的约简问题进行了阐述，介绍了属性约简的分辨矩阵方法和基于信息量的方法。提出基于分支限界思想的属性约简方法，并运用UCI数据实现了约简属性获取。 (2)介绍了BP神经网络的学习训练方法，探讨了BP算法的改进方法，并在Matlab7.0环境下，使用LM(levenberg-marquardt)算法实现了神经网络模型的建立。 (3)本文将粗糙集和神经网络方法相结合，首先用粗糙集获取信息系统的约简规则，再把规则送神经网络，建立RoughSet-NN模型。运用实验数据实现了一个RoughSet-NN模型，并应用该模型对给定立地条件的杨树生长状况进行了预测。