处理多标记数据是机器学习和数据挖掘当中一个非常重要的任务,它已经引起了诸多学者的广泛研究。然而,在实际应用领域中,例如图像识别、文本分类等场景下,想要获得数据的完整标记来进行学习和训练通常是一件非常困难并且代价十分昂贵的事情。我们获得的往往是部分标记的数据或者带有缺失标记的多标记数据,即弱标记数据。到目前为止,关于弱标记数据中不确定性度量问题的研究并不多。实际上,不确定性度量有助于我们发现蕴含在弱标记数据当中的潜在特征和更加实质性的内容。信息熵早已被用于评估和描述数据的不确定性,但是,它们往往针对的是单标记数据,并不适用于多标记数据,尤其是弱标记数据。因此,本文提出一种新形式的类似条件熵的度量来描述弱标记数据的不确定性,以期进一步挖掘弱标记数据的价值,助力弱标记数据的特征选择等任务及应用。本文紧密围绕弱标记数据的不确定性度量和特征选择展开研究,主要研究工作及贡献如下:(1)本文提出了一种单调相容条件熵的形式来描述和度量弱标记数据的不确定性。这一新形式的不确定性度量主要是借助模糊粗糙集当中的相似类及相容类的概念分别处理特征空间和不完备的标记空间,结合条件熵完成新的定义使其更加适应弱标记数据的度量需求。通过理论分析和公式推导证明了该弱标记数据不确定性度量定义的合理性,在实际数据集上的实验结果进一步验证了所提出的不确定性度量的重要性质。(2)本文提出了基于不确定性度量的弱标记数据特征选择算法。不确定性度量的一个重要应用是特征排序和特征选择。基于不确定性度量我们定义了弱标记数据的属性重要度、约简等概念,并提出弱标记数据的特征选择算法。通过与其他算法的对比表明了提出的特征选择算法是有效的。