在基于优势关系的粗糙集理论中,优势关系要求“对象x优于y当且仅当对象x在每个属性上均优于对象y”。当属性个数较多时,这种优势关系的定义会导致对象的优势集偏小,影响到规则的提取和决策结果。此外,为了从复杂的基于优势关系的信息系统中获取简洁的规则,就必须对系统进行知识约简。因此有必要对优势关系粗糙集建立扩展模型以及进行相应的快速约简方法的研究。我们的主要工作如下:一方面,为了放松原始优势关系的定义,我们采用引入参数的方法扩展了传统优势关系的概念,即认为“如果一个对象x在‘大多数’属性上优于另一个对象y,则称x优于y”。在此基础上,我们进一步给出了扩展后的优势集和近似集的概念,并结合变精度的思想建立了扩展优势关系下的变精度粗糙集模型。由于能够从数据中提取更多有用的信息,该模型相比传统的优势关系粗糙集模型,表现出更好的分类精度。另一方面,在多准则分类问题中,考虑条件属性是有序的而决策属性是符号值的情况。我们在这样的信息系统上进行研究。针对优势关系粗糙集模型的约简效率低的问题,我们引入“Positive approximation”的思想,给出了新的正域逼近、属性重要度的定义和相应的理论结果。在此基础上,针对正域约简、相容约简、分布约简和最大分布约简,提出了相应的快速属性约简方法,使得搜索空间在约简过程中逐渐缩小。最后在UCI数据集上的实验表明,该方法在与相应原始方法保持相同约简集的情况下,明显减少了时间耗费,提高了约简效率。