特征选择是模式识别、数据挖掘等领域内的一个极其关键的步骤。其可将原始的样本特征从高维的特征空间中转化到低维的特征空间,由此可极大地缓解目前该领域内维度灾难的问题。目前领域内的特征选择方法主要集中于单标记学习,而对于多标记学习的特征选择方法却很少;即使存在少量的多标记学习算法,也是在不同的类标中基于同一的特征空间下来实现学习的目的。然而实际上,在多标记学习算法中,不同的类标可能拥有他们自己特异性的特征。因此,本文将主要从以下几个方面入手,来研究关于多类标的特征选择算法。首先,对目前领域内关于特征选择算法的分析探讨,总结归类,仔细研究文献资料,思考目前算法中存在的不足之处,并提出相应的改进措施。比如说,领域内大多数的特征选择算法是基于单标记学习的,而现实生活中很多样本是同时具有多个类标的,并且这些类标之间大多是相互重叠的。从而本文将主要是针对多标记的特征选择方法来进行探索。其次,对于多标记学习算法,目前该领域内已有的多标记学习中的特征选择方法,是在不同的类标下基于相同的样本特征空间来实现学习目的,这可能违背这样的事实,即在有关多标记的学习算法中,不同的类标可能拥有它们自己特异性的特征。因此,本文也是对多标记类标特异性特征进行相关的探索。另外,对于多标记类标特异性特征研究的同时,采用交互信息的样本特征度量方法,从而可以有效地从所构建的类标特异性特征中选择出对分类判别显著的特征,并去除那些冗余的属性特征。最后,通过大量查阅关于多标记样本主要集中的位置并发现:多标记样本主要是处于类与类的边界上。所以,本文为了提升算法的运算效率,加入了样本选择技术,选择出边界上的样本,从而大大降低了算法的运算量以及运算时间,而又保持着一个满意的分类性能。