La teoría difusa compleja tiene un sólido trasfondo práctico en muchas aplicaciones importantes, especialmente en sistemas de apoyo a la toma de decisiones. Recientemente, el Sistema de Inferencia Difusa Compleja de Mamdani (M-CFIS) ha sido introducido como una herramienta efectiva para manejar eventos que no están restringidos solo a valores de un momento dado, sino que también incluyen todos los valores dentro de ciertos intervalos de tiempo (es decir, el término de fase). En tales problemas de toma de decisiones, la teoría difusa compleja nos permite observar tanto los valores de amplitud como de fase de un evento, lo que resulta en un mejor rendimiento. Sin embargo, una de las limitaciones del M-CFIS existente es la base de reglas que puede ser redundante para un conjunto de datos específico. Para abordar el problema, proponemos un nuevo Sistema de Inferencia Difusa Compleja de Mamdani con Reducción de Reglas Utilizando Medidas Difusas Complejas en Computación Granular llamado M-CFIS-R. Se proponen varias medidas de similitud difusa como la Medida de Similitud de Coseno Difuso Complejo (CFCSM), la Medida de Similitud de Dados Difusa Compleja (CFDSM) y la Medida de Similitud de Jaccard Difusa Compleja (CFJSM) junto con sus versiones ponderadas. Estas medidas se integran en el sistema M-CFIS-R mediante la idea de computación granular de modo que solo se mantienen en el sistema reglas importantes y dominantes. La diferencia y la ventaja de M-CFIS-R frente a M-CFIS es el uso del proceso de entrenamiento en el cual la base de reglas se cambia repetidamente hacia el conjunto de base original hasta que el rendimiento es mejor. Al hacerlo, la nueva base de reglas en M-CFIS-R mejoraría el rendimiento de todo el sistema. Experimentos en varios conjuntos de datos de toma de decisiones demuestran que el propuesto M-CFIS-R tiene un mejor rendimiento que M-CFIS.