随着科学技术的进步,各行各业的数据正在爆发式的增长,计算机所需要处理的数据也越来越复杂。面对如此庞大的数据,传统的计算模式无法在可接受的时间内处理快速增加的数据,人们对于计算机的要求也在与日俱增,要求计算机能够对庞大的数据量有更高的运算能力。一般而言,传统的计算机在对数据的挖掘与处理中会相当耗费时间。因此,随着数据量的迅速增加以及数据处理技术的快速增长,并行计算作为一种更有效的数据挖掘技术应运而生,并行计算的出现是为了解决一些数据量过大或者数据量复杂的实际问题。并行计算是通过网络在多台并行机间传输数据,可以同时执行多条指令、多个任务或者多个数据,极大地缩短了数据的运行时间。面对大数据的不断更新,传统的多粒度粗糙集理论已经难以适应,因此,当数据集不断增加时,本文给出一种基于加权粒度和优势关系的程度多粒度粗糙集近似集动态更新算法,并且给出了该理论乐观与悲观两种形式的相关定理。通过对实例的应用,验证了该算法是有效的。利用并行计算技术,对串行程序进行并行处理,实现算法的并行化。利用MATLAB运行串、并行程序,对比串行程序与并行程序的运算效率。实验结果表明,并行算法在数据量增大时,能够应对海量动态更新的数据变化,提升运行效率。