大数据时代带给我们的不仅是海量的数据,更多的是数据复杂性和维度多样性的增加。在数据科学与统计学习中,设计复杂多维度问题的高效算法成为一个重要研究方向,其中对海量数据的降维处理方法是研究的关键点。稀疏Envelope模型是对高维数据进行参数估计和响应变量选择的有效模型之一。稀疏Envelope模型已经建立良好的统计性质,但对该模型算法理论的研究还不够完善。由于在实际应用中,需要进行交叉验证确定超参的取值,即使只考虑稀疏Envelope模型的一个实例,也需要多次求解稀疏Envelope模型这个非凸非光滑模型,所以算法能否高效求解是一个关键问题。本文基于DC(Difference of Convex functions)规划和邻近点方法的思想,提出了一种有效求解稀疏Envelope模型的加速邻近梯度型算法。把稀疏Envelope模型在DC规划的框架下进行松弛,并证明该松弛问题的凸性。为了提高子问题的求解效率,利用邻近点算法思想,提出一种加速邻近梯度算法来进行求解。我们把本文提出的算法通过MATLAB编程实现。数值实验表明,与现用于求解稀疏Envelope模型的块坐标下降算法相比,该方法可以大幅度减少计算时间。