在机器学习、模式识别和数据挖掘等领域,多标记数据广泛存在,并且呈现出高维化趋势。多标记数据的高维特征增加了存储代价和计算成本。很多学者提出了一些多标记特征选择方法对高维特征数据进行降维处理。其中基于粗糙集理论的特征选择方法被称为属性约简,其是在保持知识分类或决策能力不变的条件下,删除不重要或不相关的属性。利用粗糙集理论进行属性约简的主要优点是不需要待分析数据的任何先验和附加知识。近几年,许多学者提出了一些多标记数据属性约简的方法。这些方法在保持原始特征可识别能力不变的情况下,去掉冗余的属性,提高了学习算法的分类性能。然而,它们在处理大规模数据集时,计算约简耗时较大。为提高这些属性约简算法的计算效率,本文对于多标记数据属性约简算法,设计了通用的加速算法。首先,用一组偏序关系来刻画目标概念,研究动态粒度下的粗糙集近似。然后,当粒度由粗变细时,在逐步去掉正域的数据集上研究属性外部重要度的保序性质。最后,基于此,提出通用的多标记数据属性约简的加速算法,并对五种代表性的多标记数据属性约简算法进行了加速。进一步,在多标记数据公开测试集上验证了加速算法不仅有效地减少了属性约简的计算时间,而且能够保持原始算法的约简结果。当处理更大规模数据时,加速算法的有效性和高效性变得更加明显。