针对现实世界中多义性的情况而产生的多标记学习,自提出以来受到了众多学者的研究与关注。多标记学习将样本的分类情况从单个标记变成了多个标记,增加了描述的准确性;标记分布学习范式则是将传统逻辑标记转换成了概率分布形式,更为直观地反映了标记的描述程度。特征选择可以很好的解决由于海量数据的高维性使得分类器的精度受到较大影响的问题。但是传统特征选择算法计算较为复杂、无法处理动态特征数据,基于此,本文提出了两种特征选择算法以解决上述问题,主要内容如下:(1)针对多标记学习算法中由于特征描述粒度导致的标记倾向性问题,目前大多数研究者从特征与所有标记之间的关联性入手,通过求解得出若干重要特征,并由此构造相应的特征子空间,但这种做法常常导致有些特征对于某个标记有着很强的相关性,但是对整个标记空间的相关性并不大,这样的特征不被选择从而造成误分,使分类器精度下降。同时,目前基于互信息的多标记学习算法一直采用传统熵的方法进行特征选择较多,由于传统熵不具有补的性质,计算方法较为复杂,本文引入粗糙熵的度量方法,提出了基于粗糙互信息的多标记倾向性k特征核选择算法,实验证明本文算法是有效的。(2)针对传统特征选择算法无法处理流特征数据,冗余性计算复杂,对样本描述不够准确的问题,提出了基于粗糙集的数据流多标记分布特征选择算法。首先,将在线流特征选择框架引入多标记学习中;其次,用粗糙集中的依赖度替代原有的条件概率,仅仅利用数据自身的信息计算,使得数据流特征选择算法更加高效快捷;最后,由于在现实世界中,每个标记对实例的描述程度并不相同,为更加准确地描述实例,将传统的逻辑标记用标记分布的形式进行刻画。在多组数据集上的实验表明,所提算法能保留与标记空间有着较高相关性的特征,使得分类精度相较于未进行特征选择的有一定程度的提高。