数据挖掘是一门从大量的日常业务数据中提取隐含的同时又是有用的信息的新兴技术.数据挖掘算法对其处理的数据集合一般都有一定要求,比如数据完整性好、数据冗余性少、属性之间相关性小等.然而,日常业务数据一般都可能具有不完整性、冗余性和模糊性等特点.因此,应用数据挖掘算法之前一般需要对原始数据进行预处理.属性选择是一种重要的数据预处理方法,可以降低数据集的维度和噪音,使数据挖掘算法效果更好.本文首先介绍了属性选择的相关技术及本文所涉及的信息论的基本概念,随后详细分析了属性选择包中算法的静态组织结构和动态运行过程,然后介绍了已有相关性评价方法,着重叙述了新的属性间冗余性的分析和最大关联-最小冗余的评价标准.最后本文设计了两个基于属性间相关性分析的属性选择算法.一个是消除属性间冗余性的算法,它利用决策独立相关性和决策依赖相关性来分别度量属性与类属性之间关联性和属性与属性之间冗余性.另一个是排序法与打包法相结合的算法,它是一个两阶段方法,首先排序法利用最大关联-最小冗余标准选择一些较好的属性子集,然后打包法利用交叉验证选择最佳属性子集.利用NaiveBaves分类算法和C4.5决策树算法评价属性选择的结果,实验表明,在大多数的数据集合上,这两个算法能够显著地约减属性并保持分类精度基本不变.