如今我们正处在大数据时代,海量高维数据广泛分布于人类生活中各个领域。同时,这些数据往往具有较为丰富的语义信息。多标签学习框架就是解决这些多义现象。在框架中,每个数据对象由一个示例（特征向量）描述,该示例可以属于多个类别。当机器学习与数据挖掘技术应用到高维的多标签数据时,一个重要问题是维度灾难。因此,多标签特征选择技术应运而生。在过去几年里,多标签特征选择吸引了众多研究者的关注,并逐渐涌现出一些优秀的算法。然而,它们仍存在一些问题难以解决:（1）为了选择特征,现有的特征选择算法通常采用这两种策略之一:为所有标签选择一个共同的特征子集,该子集中的特征对所有标签都具有识别力（共有特征）,或者为每个标签分别选择对它们自己有识别力的特征（类属特征）,然而这些重要特征在标签识别过程中均扮演着重要角色,它们对所选择特征的识别能力很重要;（2）在特征选择中探索和利用标签相关性被认为是提升算法性能的一个重要的思路,尽管现有的算法均取得不错效果,然而有必要探索新的方法近一步提升算法性能。此外,现有多标签特征选择算法往往利用标签全局相关性。然而标签相关性通常是局部性的,且被数据集的局部区域所共享;（3）现有的多标签特征算法通常基于数据的原始标签信息进行建模,然而这些标签信息无法充分表达对象的丰富语义,一方面,由于示例的相关标签对其描述度通常不同,因而相关标签对该示例而言重要度不同。另一方面,标签重要度无法由数据标注者直接提供。基于以上观察,本文设计并实现了如下两种高效的特征选择算法解决如上问题。l针对问题（1）与（2）。本文提出一种新颖的基于局部标签相关性的共有和类属特征选择框架。该框架能够同时筛选共有和类属特征,自动学习和有效利用局部标签相关性帮助选择特征。具体地,为了同时选择两类特征,我们同时引入l_2,1和l₁稀疏正则项,它能够使得模型能根据数据集的特点灵活选择共有和类属特征。同时,我们利用概率自动学习局部标签相关性,并且我们将学习到的局部标签相关性去限制标签的输出,使得所选择特征得以优化。在九个多标签基准数据集之上对比九个最为先进的特征选择算法验证了所提出框架的有效性。l第二,针对问题（3）,本文从一个新颖的角度,设计了一种基于标签重要度挖掘的多标签特征选择算法。该算法能够挖掘多标签数据信息中潜在的标签重要度,并且利用其有效引导选择过程。为了挖掘标签重要度,我们首先学习特征空间的流形。基于平滑假设,我们将特征空间中的信息迁移到标签空间,以生成数值标签描述标签重要度。大量实验表明,基于标签重要度挖掘的多标签特征选择算法可有效提升模型的泛化性能。