多标记学习在机器学习、人工智能等方面得到广泛的应用。在多标记学习框架下,为了更准确地描述对象,需要收集大量的特征数据,但随着特征数据的不断增加,冗余特征也随之增多,会直接影响分类器的精度并可能增加模型训练时间。特征选择是处理数据高维度问题的一种有效方法,其通过在原始特征空间中删除冗余或不相关特征选择出一组含有原始特征空间全部或大部分信息的特征子集。目前,大部分特征选择算法基本上都依据“最大相关性最小冗余性”这一准则进行特征选择,但这种方法通常忽略了特征之间可能存在的相互影响和作用。为考虑特征间的相互作用力,本文将排斥损失和万有引力应用到多标记特征选择上,将特征视为原子,特征间也存在引力作用或者排斥作用,并将这些作用力都视为引力场中的力。另外,上述方法选择特征子集都是基于整个特征空间在进行特征选择之前都已全部提前获取到。然而,在实际情况中,有些问题其特征空间和标记空间均呈现增量或动态的特点,如何处理这种动态环境下的流特征选择,值得进一步研究。针对上述问题,本文主要研究工作如下:(1)为考虑特征之间的作用力,借用物理磁极相互排斥吸引的原理,假设特征之间存在吸引或排斥力,并提出基于特征排斥损失的多标记特征选择算法(Multi-label Feature Selection Algorithm based on Feature Repulsion Loss,FS-FRL)。首先利用邻域信息熵理论知识,构造特征吸引项(ATC),用来表征候选特征对标记空间的吸引程度;然后,进一步定义了两个特征排斥项,分别度量候选特征对已选特征子集(RFS)的排斥程度以及对单个已选特征(RFF)的排斥程度;最后,将特征吸引项与特征排斥项二者相结合,构造特征排斥损失函数。(2)针对在线流特征选择问题,在特征损失模型基础上提出一种基于动态滑动窗口与特征排斥损失的流特征选择(Feature Repulsion Loss for Streaming Feature Selection with Dynamic Sliding Window,SF-DSW-FRL),该算法利用有限大小的滑动窗口机制对流特征进行预判断,通过设计的标准选择出与标记空间强相关的候选特征集合,并利用特征排斥损失函数对特征的重要度进行度量。(3)针对邻域模型的信息熵度量方法在一定程度上放大了邻域半径在特征选择上的依赖度问题,尝试将邻域信息熵模型,结合万有引力定律应用到多标记特征选择上,提出一种基于邻域的多标记数据引力模型的特征选择算法(Multi-label Feature Selection Algorithm Based on Neighborhood Data Gravity Model,FS-DGM)。利用万有引力与距离成反比这一性质,来减弱邻域半径(距离)对特征选择结果影响的依赖度。