粗糙集理论是一种新的刻画不完整性和不确定性的数学工具。知识约简是粗糙集理论研究的核心问题之一。目前，粗糙集理论正在被广泛应用于人工智能、模式识别等很多领域。本文对属性约简与决策树规则简化进行了深入研究： 针对不一致决策表，为克服区分矩阵方法时间复杂度随系统大小增加而指数增长的缺陷，以知识的包含度为基础，将一致与不一致对象分开，给出分布约简的数学判定定理，设计了一种求分布约简的启发式算法。实践表明该方法能够获取较小的约简。 为弥补现有信息论方法的局限性，定义了一种新的条件熵概念，并且给出了以不等式为条件的约简判定定理，提出了一种相对属性约简的启发式算法。实例分析的结果表明，该方法提高了运行效率，有助于搜索最小或次优知识约简。基于上面的思想又提出了基于决策熵的约简算法，实验结果表明该算法也能取得较好的效果。 分析了基于正区域方法的不足，提出了决策强度的代数定义，并证明了知识的决策强度随信息粒度变小而非单调递减的规律，设计了基于决策强度的约简算法。UCI离散数据集实验比较的结果表明，该算法计算直观有效。 针对现有值约简算法提取规则仍存在冗余与计算复杂度较大等问题，引入决策树分类规则学习方法，定义了一种能反映决策能力实质的新的条件熵，对传统启发式方法中选择属性的标准进行改进，构造决策树，设计规则约简过程。该方法的优点在于构造决策树与提取规则之前不进行属性约简，也能获取简洁有效的规则。为弥补知识粗糙熵的局限性，提出决策熵概念，以条件属性子集的决策熵来度量其对决策分类的重要性，自顶向下递归构造决策树，简化规则。通过实例分析说明了该算法的有效性。