粒计算是当前计算智能研究领域中模拟人类思维和解决复杂问题的新方法,强调从多视角、多层次来理解和描述现实世界。作为一种三元粒计算新兴范式,三支决策理论主要用于知识发现、数据挖掘和智能信息处理等领域,已成为当前热门的研究方向之一。随着研究的深入,学者们提出了三支决策的众多扩展模型,其中序贯三支决策模型最具代表性。序贯三支决策给研究者们提供了一种循序渐进、多步骤的决策思想,旨在以最小代价成本得到所需的准确性。而知识获取是三支决策与粒计算研究中的重要问题之一,目的是从海量数据中提取有趣的知识。然而,现有的知识获取算法主要存在以下问题:1、挖掘出的决策规则数量过多或过于冗长,不容易理解。2、规则描述太过具体容易产生过度拟合现象。生活中的数据呈现层次结构性特征引起了学者们的关注,也给上述问题的解决提供了新的方向。本文将从粒计算研究中的多层次角度为切入点,开展相关工作,主要研究内容有:（1）为了获取更加泛化的决策规则,引入概念层次树,将传统的数据进行层次结构化,并定义了多层次决策表的概念。借助序贯三支决策思想,将数据进一步分为序贯属性集,在决策过程中,逐步的添加信息从而渐进获取所需的决策规则。通过实例分析,层次序贯三支决策模型获取的决策规则相对于经典的序贯三支决策模型较少,并且规则长度较短。对规则具体语义的理解也较为容易,符合一般人的认知。最后运用UCI数据集进行实验分析,实验结果表明,所提出的层次序贯模型,在正区域大小上、规则个数、规则长度和分类精度方面,相对于经典模型,具有较优的效果。（2）多粒度相对于单粒度具有多层次、多视角观察对象的优势。本次研究将多粒度思想运用到知识获取中,有助于获取更加有趣的知识。首先将传统的数据运用概念层次树将其层次化,结合多粒度粗糙集思想,将属性集分为多个粒度结构,运用乐观和悲观聚合策略来获取乐观规则和悲观规则。最后实验中,通过与最新的多粒度算法对比,不管是乐观还是悲观规则,多粒度层次序贯三支决策模型都具有一定的优势。