鉴于特征选择方法在传统的单标签学习领域的成功应用,研究学者们也开始研究和拓展可以有效应用在多标签数据集上的特征选择方法,可以剔除冗余和无关的特征,保留与标签集合最相关的特征。在多标签学习中,大多数的特征选择方法忽略了标签间的关联关系,而是把整个标签集合看成一个整体,从而根据特征与整体标签的相关性选择出最终的特征子集,然而,忽略标签间的关联关系可能会导致最终选择的特征子集包含一些冗余的特征,遗漏一些重要的特征。所以,如何充分考虑标签间的关联关系,之后充分结合考虑标签间的关系和特征间的关系得到一个紧凑的特征子集,是多标签学习中一个值得研究的问题。模糊粗糙集理论是一种处理数据中包含的信息的不精确、近似性和模糊性的理论工具,具有明显的优势。本文借助模糊粗糙集理论提出了两个多标签特征选择方法:基于关联规则的多标签特征选择方法（Multi-label feature selection method based on association rules,MLFS＿AR）;基于谱聚类的多标签特征选择方法（Multi-label feature selection method based on spectral clustering,MLFS＿SC）。首先,MLFS＿AR和MLFS＿SC都优先考虑了标签间的关联关系,将标签集合中相关性强的标签分到一个信息颗粒里。其次,使用得到的标签间的关联信息,借助模糊粗糙集理论,再结合最大相关最小冗余原则定义了新的特征评价函数。在特征选择过程中,MLFS＿AR和MLFS＿SC根据新定义的特征评价函数分别得到针对每个信息颗粒按特征重要性降序排序的特征集合,之后再分别从得到的特征集合中选取特征子集,最后按照特征融合策略将选取的特征子集取并集得到最终的特征子集。本文针对提出的两个多标签特征选择方法使用真实数据集进行了系统的实验。具体地,以五个多标签数据集为研究对象,选取了四个经典的多标签特征选择方法作为对比方法,根据在四个常用的多标签评价指标上的表现证明了所提出的两种多标签特征选择方法MLFS＿AR和MLFS＿SC的有效性。根据最终的实验结果综合分析,MLFS＿AR和MLFS＿SC具备一定自身优势。