1987年以来，党和政府一直致力于一种比较完善的贫困生的资助政策体系，自从2007年，我国更加大了对高校贫困生的资助力度，提高了国家助学金的资助金额和资助比例。目前，对我国高校贫困生的认定所实施的传统方法，具有判断过于主观，人为影响因素大，缺乏科学性与实用性的弊端。因此，为体现高校助学工作的公平、公正与公开，采用科学合理的贫困生认定方法，提高贫困生认定的准确性，成为我国高校的当务之急。近几年，有学者运用属性识别理论、灰色关联分析、模糊数学的多指标综合评价，层次分析，决策树分类，Logistic回归模型、BP神经网络模型等方法对我国高校贫困生的认定作了研究。其中BP神经网络模型无需任何的前提假设，受到学者们的青睐，但当神经网络规模庞大，训练样本集较多时，训练时间将加长，分类速度也会变慢。为克服这一缺点，本文在前人工作的基础上进一步研究，应用粗糙集理论对样本集在保持分类能力不变的前提下，进行属性约简，降低样本维数，简化神经网络输入节点，进而提出一种基于粗糙集-神经网络模型的高校贫困生认定的新方法。本文首先整理研读某高校的经济困难学生资料，对其记载的经济困难学生属性信息的数据进行了系统地分析整理。其次，使用Excel建立经济困难学生数据库，应用基于粗糙集的Rosetta软件对决策表进行属性约简，作为下一步分析研究和预测实验的数据源。最后，在Matlab环境下，通过构造BP神经网络，来建立高校学生经济状况与贫困生认定之间的一种非线性映射关系，以达到对高校学生进行贫困生认定的目的。通过对粗糙集-BP神经网络模型的研究和仿真，希望可以为我国高校贫困生的认定提供一种更为有效和实用的新方法。