多准则分类是指通过一簇有序的条件属性（或称为条件准则）,将具有优先顺序的决策类进行分类。在现有研究中,基于优势关系的优势粗糙集方法已经成功地被引入到多准则分类问题中,用来表达和解释与优势原则不一致的问题。在实际应用中,属性值往往具有层次结构,可以让人们从不同的角度组织、查看和分析数据,以适应偏好的变化。然而,在已有研究之中,分层多准则决策系统中的属性约简还未涉及,已有关于近似集更新的增量学习研究也只是局限于完备多准则决策系统,鉴于此,本文研究在完备分层多准则决策系统中的属性泛化约简,进一步,将属性泛化约简推广至不完备多准则决策系统之中,并给出相应的近似更新算法。首先将属性值分类和切割引入到完备分层多准则决策系统中,研究了在完备分层多准则决策系统中最细层准则值下属性约简和属性泛化约简之间的关系,证明了属性约简是特殊的属性泛化约简。基于此,从最细层属性约简集的属性值分类树出发,利用优势条件熵进行属性泛化约简,设计了完备分层多准则决策系统的属性泛化约简算法,并通过算例详细地说明了该算法的整个流程,给出了实验验证。结论表明,所提出的属性泛化约简算法能够在保持原始数据分类能力不变的情况下,客观地控制属性的泛化程度,可将约简集中的属性泛化到相对较高的粒度层次,进而获得更好的分类性能,计算出更小的规则集,得到更加泛化的知识。其次,将属性值分类和切割引入到不完备分层多准则决策系统中,研究了不完备分层多准则决策系统中的不同粒度间知识粒下粗糙近似的增量更新方法,给出了切割细化下优势类、决策类向上联合的粗糙近似更新算法,并将属性泛化约简算法拓展至不完备情形,通过算例对其进行了验证。