随着科技的发展与进步,信息呈现爆发式增长,这些数据信息在生活中普遍具有复杂多样和语义丰富的特点,使得传统的单标记已无法满足当代社会对信息完整度的追求,多标记应运而生,多标记中同一个对象可被同时描述为多个类别。与单标记学习一样,多标记学习也面临“维数灾难”的挑战,所需处理的数据中存在大量冗余和不相关的信息,这将严重影响多标记分类模型的泛化能力。本文针对多标记学习中存在的维数灾难问题,使用特征选择方法对多标记数据进行预处理,并扩展了模糊邻域粗糙集理论,从模糊相似度及邻域粒化的思想出发研究多标记模糊邻域决策系统中的不确定性度量方法,结合不同评价角度,基于模糊邻域粗糙集模型提出了两种多标记特征选择算法,并通过理论分析与实验对比,验证了所提算法的性能。主要的研究内容包括:（1）针对基于经典粗糙集的特征选择算法中,大多数仅从单个角度分析属性重要性,且忽略了上近似对属性重要度的影响的问题,本文从代数观和信息论两个角度对属性进行评价,提出了一种基于模糊邻域条件熵的多标记模糊邻域粗糙集特征选择算法。首先,定义了基于模糊邻域粗糙集模型的模糊邻域近似精度以及模糊决策;其次,根据信息论中信息熵的概念在模糊邻域粗糙集模型中提出了模糊邻域条件熵的概念,并与代数观点下的模糊邻域近似精度融合为一种新的混合度量方法,根据所提的混合度量计算每个属性的重要度,筛选出最优特征子集;最后,在10个多标记数据集上与相关的多标记特征选择算法进行实验对比,实验结果表明了所提算法在多标记模糊邻域决策系统上的有效性。（2）针对以往基于邻域关系的多标记特征选择算法中,大多依据专家经验设置邻域参数,且半径未随着数据结构的不同而改变,以及一些多标记特征选择算法未综合考虑特征和标记两个空间上样本之间相似度的问题,本文提出了一种基于双空间模糊邻域相似关系的多标记特征选择算法。首先,提出一种计算自适应邻域半径的公式,并在模糊邻域相似矩阵中得出样本在特征空间下的相似度;其次,在标记空间下得出样本的相似度;然后,将特征和标记空间下的样本相似度相结合来计算特征的重要度;最后,在13个多标记数据集上与相关多标记特征选择算法进行实验对比,实验结果表明所提算法具有一定的有效性并表现出较出色的分类性能。