多标记学习的目的是构建一个学习模型,对未知样本预测其所属的标记集。但多标记数据往往与高维特征相关联,不可避免出现特征冗余问题。因此,在考虑特征与标记之间关系的情况下,解决多标记数据中特征选择的问题至关重要。本文基于多核框架,利用希尔伯特-施密特独立性准则（HSIC）,将特征空间与标记空间的关联性实现最大化,并同时考虑标记之间的关系,从而对多标记数据的特征进行排序和选择。主要算法研究结果如下:（1）提出基于标记重要度的多标记特征选择算法。在特征空间与标记空间中,分别为每个特征和每个标记定义一个权重和核矩阵,并引入多核学习,将特征空间与标记空间的核矩阵分别表示为单个核矩阵的凸组合,之后将这两个核矩阵代入到希尔伯特-施密特独立性准则中,实现特征核矩阵与标记核矩阵的关联性最大化,最后根据各个特征的权重对特征进行排序,选择最佳特征构成的最优特征子集,实现考虑标记重要度的多标记特征选择算法。（2）提出基于标记相关性的多标记特征选择算法。在特征空间中,核矩阵仍采用单个核矩阵的凸组合,在标记空间中,通过核对齐思想,定义融合标记相关性的标记核矩阵。最后,利用希尔伯特-施密特独立性准则,实现特征核矩阵与标记核矩阵的关联性最大化。基于特征空间中线性组合核的权重大小实现对相应特征的排序,选择最佳特征构成的最优特征子集,实现考虑标记相关性的多标记特征选择算法。本文提出的两个多标记特征选择算法,利用希尔伯特-施密特独立性准则,实现了特征与标记之间的关联性最大化,并充分利用了多个标记之间的信息,在不同的多标记数据集上,表现出良好的性能。