在文本分类、图像标注、生物信息学等领域,数据对象往往呈现出多语义性的特点,传统的单标签学习框架不再适用。多标签学习认为每个数据样本可以同时含有多个类别标签,因此可以用来处理多语义性数据。多标签数据通常具有较高的维数,大量冗余特征的存在不仅会增大多标签学习算法的计算开销,而且会影响分类器的性能。特征选择是对高维数据进行维数约简的有效手段。稀疏特征选择对回归模型的回归系数矩阵添加稀疏正则项,通过对该矩阵的系数分析完成特征选择,具有比传统特征加权方法更好的性能。但是,该类方法在回归模型中所假设的数据与标签之间的线性关系通常并不成立。一些多标签特征选择算法在稀疏回归模型中引入流形学习思想,将数据映射到其低维流形,使得最终选择的特征能反映数据的本征结构。但是,如何构建低维流形,以及如何对该流形结构进行约束更有利于分类仍然有待深入研究。论文针对多标签特征选择问题,基于流形学习和稀疏回归模型展开研究,对流形的构建和约束方式进行探讨,主要研究内容如下:（1）综述多标签特征选择的研究现状以及多标签学习的相关理论和方法,对稀疏回归模型和流形学习进行详细论述,并着重介绍与之相关的多标签特征选择算法。（2）提出一种基于图拉普拉斯的多标签类属特征选择算法（multi-label labelspecific feature selection based on graph Laplacian,LSGL）。LSGL基于数据在每个类别标签上的分布信息构建邻接矩阵,利用拉普拉斯映射方法获得数据在每个标签上的低维流形,然后将低维流形引入包含稀疏正则项的回归模型。最后,通过优化求得回归系数矩阵,并利用该矩阵对特征进行评分,得到每个标签对应的类属特征。实验表明,LSGL得到的类属特征子集能有效提升分类器的性能。（3）提出一种基于流形正则化和依赖最大化的多标签特征选择算法（multilabel feature selection via manifold regularization and dependence maximization,MRDM）。MRDM利用谱回归思想将数据映射到低维流形空间,并对该空间添加结构约束和依赖约束,使其不仅具有与数据空间相似的结构信息,而且与标签空间之间有着很强的依赖性。方法将两个约束项加入稀疏回归模型,通过对目标函数迭代优化求解得到回归系数矩阵,获取特征子集。实验表明,MRDM的性能优于多种多标签特征选择算法。