随着决策属性的增多及分布式数据的出现,在所有条件属性下求对象的等价类或优势类是很困难的,某对象的等价类或优势类往往只有对象本身。此时,基于单粒度粗糙集的约简、分类以及排序方法都存在失效的情况,多粒度粗糙集因能有效地解决这一问题而成为研究热点。然而,经典多粒度粗糙集求上下近似时均建立在包含关系上,缺乏对噪声数据的适应能力,因此本文将变精度及支撑函数引入优势关系下的多粒度粗糙集,以提高其容差能力,且对优势关系下多粒度粗糙集属性约简及排序方法进行了研究,主要研究成果如下：(1)将变精度、支撑函数融合入优势关系下多粒度粗糙集,提出优势关系下(α,β)可变多粒度粗糙集,通过引入α,β两个参数,对模型进行调节,以增强模型的容差能力,并改善下近似定义过松、上近似定义过紧的缺点。(2)提出了优势关系下(α,β)可变多粒度粗糙集下近似分布约简及上近似分布约简的概念,给出算法步骤,并给出优势关系下(α,β)可变多粒度粗糙集规则提取的方法,最后通过仿真实验验证了方法的有效性。(3)针对优势关系下多粒度粗糙集现有排序方法的不足,提出改进的优势关系下多粒度排序方法及基于相对优势度的优势关系下多粒度排序方法,两种方法克服了原有排序方法在粒度增加时失效的情况,且具有较好的数学性质及可解释性。