XGBoost中对树进行剪枝的方法涉及到多个选项，以下是对各个选项的分析：

- **A: 在目标函数中增加了正则项**
- 这是正确的。XGBoost通过在目标函数中增加L1和L2正则化项来控制模型复杂度，间接影响树的生长，防止过拟合。

- **B: 在结点分裂时，定义了一个阈值，如果分裂后目标函数的增益小于该阈值，则不分裂**
- 这是正确的。XGBoost采用预剪枝策略，当节点分裂后的增益小于设定的阈值（称为`gamma`），就不进行分裂。这样控制了树的复杂度。

- **C: 减少最大深度**
- 这也是正确的。通过设置树的最大深度（参数为`max_depth`），可以直接限制决策树的深度，防止过深的树导致过拟合。

- **D: 直接删除变量**
- 这不属于剪枝的方法。删除变量是特征选择的过程，与XGBoost的树剪枝不直接相关。

总结：正确答案是A, B和C。它们都是在XGBoost中剪枝或控制模型复杂度的有效方法。D是特征选择的手段，不属于剪枝方法。