随着大数据时代不断发展,在各个领域中会获取到形形色色的数据。其中很多数据是由多个标记同时描述的,将此种数据称为多标记数据。多标记学习通过现有的多标记数据集训练出一个机器学习模型,这个模型可以为待分类的对象赋予一组标记。多标记学习在大量应用领域中有着举足轻重的作用,如医疗诊断、文本分类、图像识别、应用金融等领域。然而,目前已有的多标记数据拥有数以千计的特征,且许多特征是冗余且无关的。特征的高维度就会导致“维度灾难”。维度灾难会影响机器学习模型的分类性能。特征选择是从原始特征中将最有效特征挑选出来从而减少特征个数,其能有效改善分类模型的性能。因此,特征选择受到学者们的广泛重视。本文重点研究了多标记学习和多标记特征选择,主要研究内容如下:（1）基于加权标记的多标记特征选择。在多标记学习中,不同标记对样本具有不同的区分性,基于此准则提出了一种基于加权标记的多标记特征选择算法。首先,将样本在特征空间的分类间隔作为类别标记的权重;其次,计算融合标记权重下样本的平均分类间隔,并用其构造特征子集评价函数,再用特征对样本的可分辨性作为特征权重,从而衡量不同特征对标记的重要程度;最后,通过特征权重降序排列特征,就能得到一组新的特征排序。一系列的实验结果表明,所提算法相对于其他多标记特征选择算法有较大优势。（2）基于多粒度一致性邻域的多标记特征选择。在传统多标记特征选择算法中,很少从标记空间与特征空间出发来定义样本的邻域,因此本文基于多粒度邻域一致性设计了相应的多标记特征选择算法。首先,利用标记空间和特征空间邻域一致性来粒化所有样本,并基于多粒度邻域一致性观点定义新的多标记邻域信息熵和邻域互信息。其次,基于邻域互信息构建一个评价候选特征质量的目标函数,用于评价每个特征的重要性。最后,通过多个指标验证了所提算法的有效性。