随着大数据时代的发展,数据形式的复杂多样,数据语义的日益丰富。当前机器学习研究领域中应对标记多义性的学习范式为多标记学习。多标记学习中任一对象同时隶属于多个类别标记。然而,在现实世界中仍存在一些问题不适合直接使用多标记学习来解决。多标记学习旨在回答“哪些标记可以描述该对象”这一问题,但无法解决“当前标记描述该对象时其重要程度是多少”的问题。为了有效解决此类标记多义性问题,一种新的机器学习范式——标记分布学习被提出。为了有效解决当前多标记学习中存在的一些挑战,如标记相关性、标记重要性及维度灾难问题,为此,本文以粒计算理论为基础,围绕多标记数据开展标记增强和特征选择等方面的研究,本文主要研究工作如下:1.针对多标记学习中标记重要性这一问题,结合随机变量分布提出基于邻域系统的标记增强算法,可将传统多标记数据中的逻辑标记增强为标记分布,以此获得更为丰富的监督信息。针对标记增强后的多标记数据中存在的维度灾难问题,本文分别从一致性度量和互信息度量角度提出了对应的标记分布特征选择模型与算法,能针对不同的应用场景,选择相对较优的特征子集,通过理论分析和实验对比,验证了所提算法的有效性和可行性。2.针对多标记数据中常存在混合类型数据且数据中标记之间存在的相关性,本文提出了可度量多标记数据中样本之间相似关系的距离度量方法,并设计了一种新的基于标记相关性的标记增强算法。为解决标记分布数据中维度灾难问题,本文以Relief F算法为基础,结合标记相关性,构造了可度量标记分布数据的特征权重准则,并设计了基于特征排序思想的标记分布特征选择算法,在多标记数据上的实验结果表明了算法的有效性。