贝叶斯分类和粗糙集理论都是数据挖掘领域中的重要技术,在经济、金融、科学观测和工程等各个领域广泛应用,是目前研究的热点。本文首先简要地介绍了贝叶斯分类技术和粗糙集在挖掘上的发展和研究概况,阐述了当前研究的重点和存在的难点。在给出了数据挖掘的基本概念之后,叙述了贝叶斯分类算法和粗糙集算法的基本概念和算法原理,并详细介绍了数据预处理的各种情况与方法。本文详细阐述了粗糙集理论的数学原理与方法,以及粗糙集在知识表达系统中的简化和核的求取,并分析了基于粗糙集的静态约简和动态约简在数据挖掘中模型的构建,针对动态约简中的不同抽样子集对决策表具有相同影响度的不足,提出了一种概率抽样以子集权重的快速求解动态核的算法。对该模型的分析证明了它的可行性。针对贝叶斯分类器在高维多属性数据的情况下训练易受噪声干扰,鲁棒性不强以及增量式贝叶斯分类器分类损失评估函数复杂度过高的情况。本文在朴素增量贝叶斯分类器的基础上提出一种基于粗糙集动态约简的增量贝叶斯分类器学习算法:通过分析原始数据集,挖掘出对分类最有利的极小值条件属性,将它作为增量分类学习的输入属性。由于属性维度的减低及最大有利分类的属性存在,对传统的增量式贝叶斯网络分类器在算法计算复杂度上有了一定的降低,也简化了传统的分类损失评估函数,使贝叶斯分类器的增量学习效率得到了提高。仿真实验表明,属性约简后的增量式贝叶斯网络分类器计算简单,有很好的实时性抗干扰能力。最后,在前面对数据挖掘技术的研究基础上,在实际氧化铝熟料烧成回转窑智能控制系统中加入基于动态约简的增量贝叶斯网络分类器预测模块,并通过计算机仿真及现场实验,证明了数据挖掘技术在氧化铝熟料烧成回转窑智能控制系统的可行性。