现实世界数据集合的规模正在飞速膨胀。挖掘隐藏在数据内部的、模式化的信息或知识，变得日益重要。这使得数据挖掘成为了一个热门的研究问题。数据挖掘技术日趋成熟，研究发现数据中往往存在着大量的近似的、模糊的、不可分辨的信息。为处理不可分辨问题，很多的数据挖掘算法与粗糙集理论、粒计算理论相互结合。研究工作采用粗糙集、粒计算理论处理带有模糊性的数据集合，主要包括以下几个方面：1、提出一种单维度的层次粒化属性约简算法。分析了邻域方法在处理连续信息属性约简时，存在的粒化条件不统一的问题。即使用距离度量作为衡量近似关系的标准，对不同维度的距离计算使用相同的近似阈值，难免会造成分类精度上的误差。单维度层次粒化属性约简算法针对每个属性，使用统一的距离阈值粒化数据对象的邻域。并通过网络序列层次粒化模型的相邻层次等价粒之间的性质，计算数据集合的分类性能。实验证明，算法减少了需要输入的主观参数，具有较好的约简性能，降低了必要信息的损失。2、提出一种基于簇内不平衡度量的粗糙K-means聚类算法。以往的粗糙K-means算法及其改进方法，将研究的重点放在边界对象的模糊性和数据点在簇间的相异程度上，并没有关注数据样本因分布位置不同造成的簇内差异。簇内不平衡度量可以有效的地反映数据对象因与均值中心距离不同而在簇内的贡献程度不同。通过对UCI数据的仿真分析，表明该算法可以使得聚类簇内更加紧凑，簇间更加分离。3、提出一种密度自适应簇内不平衡度量的粗糙K-means聚类算法。数据对象在簇内的分布不平衡，不仅反映在与均值中心的距离上，还应该反映在区域的聚集程度上。某些距离较远，但聚集程度较高的对象，在簇内的重要性也应当有所表现。密度自适应簇内不平衡粗糙K-means聚类算法使得算法均值中心迭代过程，移动步长更加准确，灵活性更强。实验仿真结果表明，算法具有很高的聚类精度，并且提高了算法的收敛速度。综上所述，基于粗糙集、粒计算理论的数据挖掘算法研究，为处理数据挖掘算法中的不可分辨问题提供了有利的支持，具有较好的理论价值和意义。