经典粗糙集理论的提出主要是针对完备信息系统,其对数据的完整性和精确性要求很高,在数据的处理和分析上存在着一定的局限性。由于现今海量数据中常常存在数据的缺失。作为经典粗糙集理论的一种扩展,特性关系粗糙集模型同时考虑了数据缺失中的两种情形,即不关心数据和丢失的数据,可以较为有效地解决经典粗糙集模型在实际应用中的局限性。另一方面,随着信息技术的发展,人们己采集到海量的数据,而且这些数据是不断变化的,采用传统的粗糙集理论与方法很难满足这些需要,因此,研究基于扩展粗糙集模型的增量式更新算法成为人们研究的一个热点问题。本文主要讨论基于特性关系粗糙集模型的增量式更新算法。在属性不变,对象增删情形下,分析了特性关系粗糙集模型中特性集的变化,提出增量更新给定概念(对象子集)的近似集方法,并设计了相应的算法；其次,通过引入允许的错误分类概率,给出变精度特性关系粗糙集模型的定义,当属性不变,对象增删时,分析了在该模型下特性集的变化与引入的错误分类概率之间的关系,进而提出变精度特性关系粗糙集模型中增量更新近似集的方法,设计了相应的增量更新算法；最后,分析了所提出的两种增量算法的时间复杂度,并通过实验仿真比较了非增量算法与增量算法的计算时间,结果验证了增量更新算法具有较好的性能,有助于提高决策规则获取的效率。