经典粗糙集理论作为一种处理不可分辩关系数据的数学工具,已在很多领域得到了广泛的应用。如今,基于不可分辨关系的经典粗糙集不适用于分析属性取值之间带有偏好关系的有序决策表。为解决大量带有偏好顺序多准则决策问题,基于优势关系的粗糙集模型应运而生。目前,基于优势关系粗糙集模型的研究主要集中在静态数据,而现实中决策系统里的数据是处于一个不断积累和不断更新的过程。针对数据的这种动态变化特点,研究优势关系粗糙集模型下的增量更新知识方法以提高获取知识的效率具有重要的实际意义。本文主要从属性集和属性值两个方面讨论了优势关系粗糙集模型的增量更新知识方法。在优势关系粗糙集模型下,分别讨论当决策系统中属性增加减少时和属性值粗化细化时对近似集的动态影响,提出动态更新近似集的相关定理和算法,并将所提出的动态更新算法和传统的算法在时间复杂度方面作了对比分析,最后通过实验验证了该动态更新方法的正确性和高效性,从而改善优势关系粗糙集模型中计算近似集的性能,有助于提高基于优势关系粗糙集模型的知识获取效率。