多标记特征选择一直是数据挖掘领域中数据预处理的关键技术之一。随着互联网技术的高速发展,多标记数据在各个领域以在线的形式持续增长,使得多标记数据呈现出了高维性和动态性。多标记数据的动态性常表现在数据特征空间或标记空间不是或不能事先给定,而是随着时间的推移不断地被获取。因而,数据特征空间或标记空间的动态性给传统静态的特征空间或标记空间下的多标记特征选择算法提出了诸多新问题和新挑战。为了探索动态特征空间或动态标记空间下的多标记特征选择问题,本文以流特征（Streaming Features）的概念来建模动态特征空间,以流标记（Streaming Labels）的概念来建模动态标记空间,开展了面向动态环境的多标记特征选择算法研究,主要研究内容和创新点如下:1.针对多标记数据特征空间动态性和高维性的问题,提出一种新颖的多标记动态流特征选择算法OM-NRS。该算法在邻域粗糙集的框架下,首先泛化传统邻域粗糙集模型以适合多标记学习,并提出一种正域的快速计算方法。其次,根据依赖度函数分析特征的相关性,同时设计特征两两成对比较的策略来过滤冗余特征。在不同领域的数据集上进行了大量的仿真实验,结果表明与目前流行的多标记特征选择算法相比,OM-NRS算法不仅可以有效的降低特征空间维数,而且能够以较小的特征子集获得更高的多标记分类性能。2.针对现有利用邻域粗糙集进行多标记动态流特征选择的方法忽略了标记空间的整体性,且在邻域模型中不同的邻域参数设定往往会导致特征选择结果不稳定性的问题,提出基于自适应邻域粒化和粗糙逼近的多标记动态流特征选择算法ASFS。该算法利用相似样本的分布信息给出样本的自适应邻域粒化策略,构建多标记数据的粗糙逼近机理。在此基础上,根据重要度函数设计重要选择和子集更新的动态流特征选择框架。所提模型通过自适应粒化策略,有效解决了邻域模型中邻域粒度选择问题。仿真实验表明,ASFS算法不仅优于静态的多标记特征选择算法,同时与目前流行的多标记动态流特征选择算法相比,ASFS算法的分类性能得到了明显的提高。3.针对现有的多标记动态流特征选择算法忽略了特征空间存在组结构的问题,提出一种基于组结构的在线多标记动态流特征选择算法OMGFS。该算法的实现具体包括组特征选择和组间特征选择。在组特征选择阶段,基于互信息给出一种新的特征评估准则来度量特征组与标记集合的相关性,选择具有强相关的特征组;在组间特征选择阶段,根据交互信息赋予特征权重来度量特征组之间特征的冗余性和交互性,以此从不同特征组中选择最优的特征子集。通过对不同领域的多标记数据进行大量实验和对比分析,结果表明OMGFS算法优于基于单特征评估的多标记特征选择算法。4.针对现有的多标记特征选择算法通常是假设训练样本的标记空间是已知的,忽略了现实任务中标记是随着时间推移不断被获取的问题,提出基于动态流标记类属特征学习的多标记特征选择算法FSSL。该算法的实现具体包括类属特征学习和类属特征融合。在类属特征学习过程,通过设计类间鉴别和类内邻域识别的策略来学习每个新到达标记的类属特征。在类属特征融合过程,将构建特征映射策略来融合已到达所有标记的类属特征。所提模型为动态流标记下的多标记特征选择研究提供了一个新的方案。通过对多标记数据集进行大量实验和对比分析,结果验证了 FSSL算法的有效性。