随着大数据时代的发展,数据量呈现爆发式增长,数据的形式复杂多样,数据的语义日益丰富,特别是多标记高维数据的广泛存在,传统的单标记分类将一个样本只归为某一个标记中,导致无法描述当一个样本属于多个标记的问题,需利用多标记分类来描述此类数据资源,对于多标记数据的分析和挖掘已成为机器学习和数据挖掘领域的研究热点之一。由于多标记高维数据的维数灾难问题严重影响多标记学习的分类性能。因此,针对多标记学习的特征选择研究显得尤为重要。当前对于多标记数据的特征选择研究大多是针对完备性数据,但在许多应用领域中连续型数值数据较多,且由于诊测成本和隐私保护等因素导致数据往往呈现出不完备性。另外,数据的获取往往需要花费代价,为解决上述问题,研究面向代价敏感多标记数据的特征选择模型与算法,下面简单概括本文的创新点:首先,针对多标记数据的不完备性,提出了一种面向多标记不完备数据的特征选择算法。该算法将邻域粗糙集模型应用于多标记不完备数据的特征选择中,根据容差邻域阈值求解多标记不完备数据的邻域粒度,并基于邻域粒度给出了度量多标记不完备数据的特征重要性准则,以此设计了多标记不完备数据的特征选择算法。该算法能够有效地处理多标记不完备数据的优势,通过四个真实数据集的实验结果验证了本文算法的有效性和可行性。其次,从代价敏感的研究视角,设计出一种基于代价敏感的多标记不完备数据特征选择算法。该算法利用粗糙集模型计算多标记不完备数据下的邻域粒度,并用均匀分布和正态分布两种分布函数计算每个特征的特征代价,在核特征的基础上,重新设计了一种基于测试代价的特征重要性计算方法。该算法解决了不完备数据的特征代价问题,通过实验验证该算法具有较好的分类性能。另外,为了分析多标记数据中信息的不确定性,利用信息熵分析特征与标记之间的相关性,重新定义了一种基于测试代价的特征重要度准则,并根据服从正态分布的特征重要度和特征代价的标准差,给出一种合理的阈值选择方法,同时通过阈值剔除冗余和不相关特征,得到低总代价的特征子集。通过在多标记学习中Mulan数据集上的实验结果进一步验证了该算法的有效性和可行性。