1、傳統(tǒng)的粗糙集理論只能對數(shù)據(jù)庫中的離散屬性進行處理，所以對存在連續(xù)屬性的數(shù)據(jù)庫必須進行離散化處理。連續(xù)屬性離散化是機器學習和數(shù)據(jù)挖掘領域中的一個重要問題，對后繼階段的機器學習或數(shù)據(jù)挖掘過程具有非常重要的意義。離散化是否合理決定著表達和提取相關信息的準確性。其中，Chi2系列算法和類-屬性相互依賴(CAI)的相關算法分別是基于概率統(tǒng)計理論和基于信息理論的連續(xù)屬性離散化重要方法。連續(xù)屬性離散化方法在人工智能、機器學習等很多方面具有重要應用。

2、 首先，經(jīng)過研究Chi2系列算法，本文提出一種新的基于屬性重要性的連續(xù)屬性離散化方法--Imp-Chi2算法，該算法依據(jù)屬性重要性程度對屬性離散化的順序進行了合理的調(diào)整，能夠更準確的對連續(xù)屬性進行離散化。并且，在實驗過程中，提出了一種訓練集類比例抽取方法，很好的避免了訓練集隨機抽取的不均勻性。 其次，本文對Chi2相關算法進行了深入分析，指出了其中的不足，提出一種新的連續(xù)屬性離散化方法：Rectified Chi2算法。新

3、算法給出了一種新的區(qū)間合并依據(jù)，能夠更合理更有效地對連續(xù)屬性進行離散化。在此基礎上，考慮僅以最大差異為區(qū)間合并標準存在不合理性，提出一種基于差異序列為標準的區(qū)間合并方法，該方法可以大大提高Chi2系列算法的離散化效果。最后，對x2統(tǒng)計量中Etj取值不精確方面進行了分析，并且提出了兩種改進方案。 再次，本文對Chi2相關算法(尤其是Extended Chi2算法)進行了深入研究，指出了其中存在的問題，提出一種新的基于區(qū)間相似性度量

4、的連續(xù)屬性離散化算法。新算法定義了一個區(qū)間相似度函數(shù)，用該區(qū)間相似度函數(shù)作為離散化過程的新的合并標準。同時，在函數(shù)中給出了兩個重要參數(shù)：條件參數(shù)α和微調(diào)參數(shù)c，分別體現(xiàn)了離散化過程中的均衡性和相鄰兩區(qū)間數(shù)目的相差程度；并且在算法內(nèi)部給出了兩個重要規(guī)定。新算法不僅繼承了x2統(tǒng)計合理的方面，同時也解決了Chi2相關算法中存在的問題，實現(xiàn)了公平的標準，能夠更合理更有效地對連續(xù)屬性進行離散化。 最后，在系統(tǒng)地分析基于類一屬性相互依賴(C