针对支持向量机在训练大规模数据集时出现的速度瓶颈问题，提出一种新的减样方法，称为双层减样法。数据减样时，双层减样法从粗、细粒度两个层次削减样本。粗粒度约减时，利用核空间距离聚类法，以簇为单位削减冗余子集；细粒度约减时，以点为单位挑选剩余点集中的支持向量。实验表明，双层减样法能有效地压缩样本数据，同时还能放大数据集的分类特征，提高分类器的分类精度。将此法应用于大规模SVM垃圾标签检测模型的训练集优化上，能明显提高检测模型的训练速度。双层减样法将粒度和层次的概念引入减样法中，在约减时适时改变约减幅度，这比传统减样法更具有优势。