Las técnicas de computación granular son una disciplina enorme en la que el componente básico es operar en grupos de objetos similares de acuerdo con una medida de similitud fija. Las primeras referencias a la computación granular se pueden ver en los trabajos de Zadeh en la teoría de conjuntos difusos. La computación granular permite un modelado muy natural del mundo. Es muy probable que el cerebro humano, al resolver problemas, realice cálculos granulares sobre datos recopilados de los sentidos. Los investigadores de este paradigma han demostrado las posibilidades ilimitadas de la computación granular. Entre otras cosas, se utilizan en los procesos de clasificación, regresión, manejo de valores faltantes, para la selección de características y como mecanismos de aproximación de datos. Es imposible citar todos los métodos basados en la computación granular, solo podemos discutir un grupo seleccionado de técnicas. En el artículo, hemos presentado una revisión de las técnicas de granulación desarrolladas recientemente pertenecientes a la familia de algoritmos de aproximación fundados por Polkowski en el marco de la teoría de conjuntos aproximados. A partir de la granulación estándar básica de Polkowski, hemos descrito conceptos desarrollados por nosotros como dependiente, en capas y variantes de epsilon, y nuestra granulación homogénea reciente. Presentamos ejemplos numéricos simples y muestras de resultados de investigación. La efectividad de estos métodos en términos de reducción del tamaño del sistema de decisiones y mantenimiento del conocimiento interno de los datos originales se presenta. La reducción en el número de objetos en nuestras técnicas mientras se mantiene la eficiencia de clasificación alcanza el 90 por ciento para la granulación estándar con el uso de un clasificador kNN (logramos una eficiencia similar para la técnica dependiente del concepto para el clasificador de Naive Bayes). La mayor reducción lograda en el número de conjunto exhaustivo de reglas al nivel de eficiencia de los datos originales es del 99 por ciento, es para la granulación dependiente del concepto. En las variantes homogéneas, la reducción es inferior al 60 por ciento, pero la ventaja de estas técnicas es que no es necesario buscar parámetros de granulación óptimos, que se seleccionan dinámicamente. También describimos posibles direcciones de desarrollo de técnicas de computación granular a través de los métodos descritos.