粗糙集理论是率先由波兰数学家Pawlak在上世纪末提出的,主要针对的是分析不确定性问题。粗糙集理论中的一个重要的基本概念是属性约简,也是一个最基本问题,但是给出高效的属性约简算法是很重要的也很困难的问题,在现实应用中,具有十分重要的研究意义。近些年来,研究学者们相继提出了一系列的诸如变精度粗糙集模型、概率粗糙集模型等粗糙集模型,它们是建立在传统的Pawlak粗糙集模型基础之上的,加入概率的方法而形成的。这些研究大大的提高了我们对粗糙集理论的理解和延伸了粗糙集理论的应用领域。基于分类的粗糙集获得的结果可以用来制定决策。在传统的Pawlak粗糙集模型和概率粗糙集模型中,都具有正域规则和边界规则这两种不同的分类规则,它们会导致不同的决策序列。其中,正域规则是指一个对象或者一个对象集能够确定属于或者超过一定阈值范围时是属于某一个决策类的,边界规则是指一个对象或者一个对象集是部分属于或者超过另一阈值范围时是属于某个决策类的,它将会导致另一类的决策。它们可以用支持度、损失函数等方法来评估,这种分类规则使我们不仅能够对单个规则施以局部评估,而且可以对整个规则集施以整体评估。本文首先概要的介绍了粗糙集理论的相关概念及其理论知识,分析了粗糙集理论的特点及其研究现状；其次简单介绍了传统的基于属性重要度、基于分辨矩阵、以及基于信息熵的属性约简算法的基本思想和算法过程,粗略的比较了它们的优缺点以及适用情况,描述了传统的Pawlak粗糙集模型和概率粗糙集模型这两类粗糙集模型的基本知识；论文主要工作有(1)在传统粗糙集模型的基础上,引入了贝叶斯决策过程,从而建立了一种决策粗糙集模型,它是基于损失函数的,给出了利用损失函数以及最小化期望损失来获取阈值,也就是说,是基于更加实际的风险和成本的,这样有利于我们对粗糙集理论的理解和拓展了其应用领域。(2)针对决策粗糙集模型中,正域不一定是单调的这一特性,我们分析了在给予一定条件加以限制正域使其具有单调性的情况下,对知识系统进行基于属性重要度的属性约简算法分析,以及将其同对传统的粗糙集模型进行属性约简算法结果进行比较分析,从而证明该模型的有效性,并且能够看出基于正域的约简算法具有较好的约简结果;(3)最后对两种不同的粗糙集模型,我们从支持度,损失等不同的方法对获得的规则进行简单的评估,从而更加使得我们获得的规则使我们真实想要的。