证据理论是处理由认识的局限性所带来的不确定性问题的有力工具，它处理的证据来源于专家。但专家的知识经验往往是有限的，获取也较困难，且可能存在一定的主观性。粗糙集理论反映了人们以不完全信息或知识去处理一些不可分辨现象的能力，或依据观察、度量得到某些不精确的结果而进行数据分类的能力。粗糙集的提出为处理模糊信息系统或不确定性问题提供了一种新型数学工具，是对其它处理不确定性问题理论如概率理论、证据理论、模糊集理论等的一种补充。针对上述所提证据理论的局限性，本文提出了一种基于粗糙集理论的证据获取的新方法，并对证据合成和应用进行了研究。 首先对粗糙集理论作了进一步的研究，细化了其划分的粒度，在此基础上，对决策表的决策属性作了进一步的转换，结合粗糙集和证据理论之间的关系，再利用粗糙集的分类思想和隶属度概念，计算证据的基本可信度分配，从而实现了证据信息的提取。 其次对证据合成的现状做了研究，针对目前方法在证据相关性、冲突性、重要性等方面无法很好解决的问题，从以解决证据独立性问题为目的出发，给出了采用属性聚类的方法分解决策表来解决问题的方案，并对属性约简的现状和问题作了进一步的研究，设计了一种更有效的属性约简算法。 再次，讨论了证据重要度和支持度的概念，研究了基于本文所提理论的证据的合成方法以及决策支持。 最后，在上述研究内容的基础上，本文研究了基于粗糙集证据理论的股票分析预测系统的体系结构、设计与实现等，并通过试验验证了本文所提方法的正确性。