随着科技的快速发展,各行各业涌现出大量的数据信息。如何从这些数据中快速获取有用的知识、提取有效的分类方法是目前机器学习面临的主要问题。粗糙集理论方法是一种能有效地分析和处理不精确、不一致、不完整等各种不确定信息的数据分析工具,已经成功应用于机器学习、模式识别、决策支持、知识发现、故障诊断等领域。知识约简作为粗糙集应用的关键技术,是该理论的核心问题之一,能够对数据进行快速有效的处理。Vapnik等人提出的支持向量机是一种新的机器学习理论,集成了最大间隔超平面、Mercer核、凸二次规划、稀疏解和松弛变量等多项技术,其主要借助于最优化方法来解决机器学习问题。由于该理论具有全局最优、结构简单、推广能力强等优点,近些年得到了广泛地研究并被应用于数据分类、模式识别等领域。由于大多数的多类分类问题最终都可以转化为两类分类问题,因此支持向量机的原始问题也只涉及两类分类问题。通过对以上两种理论的学习研究,结合它们的优点,设计了一种基于信息熵的粗糙集约简与支持向量机相结合分类算法,并将该算法应用到本文的分类系统中,实验结果显示该算法在分类的准确率和速率方面都有所提高。本文主要工作如下:1.通过对粗糙集约简方法的研究,选择基于信息熵的启发式约简方法作为本文所提算法属性约简的工具。2.在粗糙集区分矩阵的基础上,提出一种新的粗糙集对象约简算法。3.设计了一种基于信息熵的粗糙集约简与支持向量机相结合的分类算法。该算法采用粗糙集属性约简理论对支持向量机数据特征进行选择,能有效降低输入特征向量的维数;而且,根据本文提出的对象约简方法能够有效移除冗余信息,修正不一致的信息,从而使分类面的分类性能得到优化。4.通过对UCI数据库中数据集进行的研究和实验,验证了文中设计算法的有效性。