El fenómeno de datos faltantes se puede ver en todas partes en la realidad. La mayoría de los modelos de reducción de atributos típicos son solo adecuados para sistemas completos. Pero para sistemas incompletos, no podemos obtener reglas de reducción efectivas. Incluso si existen algunos enfoques de reducción, la precisión de clasificación de sus conjuntos de reducción aún necesita ser mejorada. Para superar estas deficiencias, este artículo primero define las similitudes de objetos intra-cluster y objetos inter-cluster basados en el principio de tolerancia y el mecanismo de granularidad del conocimiento. En segundo lugar, se seleccionan atributos bajo el principio de que la similitud de objetos inter-cluster es pequeña y la similitud de objetos intra-cluster es grande, y luego se propone el modelo de atributo de granularidad del conocimiento en el contexto de clustering; luego, se diseña el programa del algoritmo IKAR. Finalmente, se realizan una serie de experimentos comparativos sobre el tamaño de reducción, el tiempo de ejecución y la precisión de clasificación con doce conjuntos de datos de UCI para evaluar el rendimiento de los algoritmos IKAR; luego, se realizan las pruebas de estabilidad del test de Friedman y las pruebas de Bonferroni-Dunn. Los resultados experimentales indican que los algoritmos propuestos son eficientes y factibles.