随着科技发展、社会的进步和人们生活水平的提高,实际应用中产生了大量的无标签数据,聚类方法是处理这类无标签数据的代表性方法。但由于目标信息系统中冗余属性的存在,影响了传统聚类算法的精度。基于粗糙集理论的属性约简可以在信息系统辨识能力不变的基础上约简冗余属性,提取有用的信息。本文针对无标签数据,提出一种基于聚类的多粒度属性约简方法。通过对聚类算法中K值的调节实现多粒度计算,形成对论域由粗到细的划分,利用聚类结果作为信息表的伪标签,通过粗糙集理论中有监督的属性约简去除冗余属性。使用KNN算法确定最终的分类结果并计算精度,以精度作为属性约简效果的衡量标准。具体的,本文的主要工作分为以下两部分:一方面,对于符号值数据所构成的基于等价关系的信息系统,由于传统K-means聚类算法以欧氏距离度量属性间的相似性,使得该算法只能处理数值型数据。本文采用K-modes聚类算法,然后以聚类结果作为伪标签,通过调节K值对论域形成由粗到细的多个划分,利用正域区分矩阵对每一个划分约减冗余属性,降低了数据集的维度,节约了算法成本。另一方面,传统的粗糙集方法难以处理具有偏序关系的目标信息系统,本文在基于K-means聚类的多粒度计算基础上,采用优势关系粗糙集方法约减冗余属性。最后利用多组UCI数据集,将所提出方法与传统的粗糙集模型和传统聚类方法进行对比实验,由于所提出方法一方面基于聚类信息进行有监督的属性约简,提升了无监督属性约简的质量;另一方面降低了聚类算法受到冗余信息的影响,也提升了聚类的效果。