随着数据爆炸式地发展,有效地挖掘数据背后的知识至关重要。形式概念分析作为研究认知科学的一种有力工具,如今已经在数据挖掘和知识发现等诸多领域中有了广泛的应用。形式概念分析的主要功能是将一个包含布尔变量的二维表转换为格序关系,其结果表达了对象和属性之间的关联关系。传统的概念格中属性往往是固定的或者是不符合要求的,而且属性粒度的选择在形式概念分析处理过程中是比较重要的一环。概念格中的属性可以作为粒计算的对象,通过动态的变化属性粒度可以从概念格中提取不同的信息。然而目前在概念格中探讨粒度计算的研究还很少,因此概念格中探讨属性的粒度水平有着重要的意义。本文对现阶段概念格中属性粒度理论和算法进行了深入分析和探讨,总结出形式概念分析中缩放算法的缺陷和不足。通过介绍形式概念分析和三元概念分析理论的基础知识,结合属性粒度理论,在zoom算法的基础上给出一种保留原属性的缩放算法。该算法可以保留原始概念与细化后概念的关联,数据归类效果更为显著;另一方面,本文还将该算法思想推广到三元概念分析中,解决三元概念分析中由属性变化带来的概念的变化,并给出一种三元的缩放算法能够在三元概念分析中实现由属性的粒度变化而带来的概念格的更新,使得概念格中属性粒度的分析更加完善。利用数据集对形式概念分析和三元概念分析的缩放算法进行有效性分析,由实验结果得出保留原属性的缩放算法比原算法数据分类效果更明显。三元数据方面,缩放算法的结果同样可以得到好的结果;在算法的性能方面,通过随机生成不同的形式背景对本文中的算法进行实验分析,得出算法在大且密集的数据耗时增长较快,属性个数变化对于二元数据中算法的影响较小,而对于三元数据的算法影响较大。