为了提高基于粗糙集理论的不完备数据分析方法（ROUSTIDA）在实际应用中对包含离散型（如整型、字符串型、枚举型）、连续型（如浮点数表达）、缺失型属性的混合信息系统（HIS）数据的填补能力，提出了一种基于粗糙集理论的混合信息系统缺失值填补方法（RSHISMIA）。首先，根据决策属性等价类划分思想并按照决策属性对混合信息系统HIS进行划分，解决了填补后可能出现的决策规则冲突问题；其次，定义混合距离矩阵来合理量化对象间的相似性，从而筛选出具有填补能力的样本并克服ROUSTIDA无法处理连续性属性的缺点；然后，结合近邻思想解决了ROUSTIDA在无差别对象属性值发生冲突情况下无法对相同属性缺失数据进行填补的问题。最后，使用10个UCI标准数据集进行实验，将所提出的方法与ROUSTIDA、K近邻填补（KNNI）算法、随机森林填补（RFI）算法和矩阵分解（MF）等几种经典算法进行了比较。实验结果表明，与ROUSTIDA相比，所提方法在查全率上平均高出81%，在查准率上提升了5%~53%，且其归一化均方根误差（NRMSE）最多减小了0.12。此外，所提方法的分类准确率与ROUSTIDA相比平均提升了7%，且优于KNNI、RFI及MF等填补算法。

针对有效模式挖掘的组合爆炸及挖掘结果信息如何有效表达的问题，提出了一种基于“核心-牵引”结构的修剪候选模式和考虑项目不确定性的最大模糊模式挖掘算法（MFFP-Tree）。首先，综合分析项目的模糊性，提出模糊支持度，分析项目在事务数据集中的模糊权重，依据模糊修剪策略修剪候选项集；其次，仅扫描数据集一次，就能成功构建模糊模式挖掘树，依据模糊剪枝策略减少模式提取的开销，采用FFP-array阵列结构使得搜索方式更精简，从而进一步降低时空开销。根据基准数据集的实验结果，与最大模式挖掘算法PADS和FPMax ^*对比分析，MFFP-Tree挖掘出的最大模糊模式能够更准确地反映项目与项目之间的关系；算法的时间复杂度能减半甚至低1个数量级；算法的空间复杂度降低1~2个数量级。