多标记学习问题中每个样本可以同时和多个标记相关联,因此比传统的单标记学习有更广的应用空间,并受到越来越多研究者的关注。然而,多标记学习依旧存在着维度灾难、噪音特征多等问题,亟需与之相应的多标记特征选择算法。虽然传统的特征选择算法已经得到了深入的研究,但大多数传统的特征选择算法无法直接应用于多标记学习中:一方面是因为它们通常针对单一标记设计特征评价准则,而多标记学习需要同时针对多个标记进行优化;另一方面是因为多标记学习中不同标记之间存在一定的关联信息,通常需要建模以找出并利用这些信息。在本文中,我们首先通过经典的多标记学习算法总结出多标记学习算法的一般框架,之后提出一种多标记数据样本相似性的度量方法,继而将传统单标记问题中的谱特征选择框架应用至多标记学习领域。此外,我们还提出了一种基于最大间隔的多标记特征选择算法。改进后的谱特征选择算法和所提出的基于最大间隔的多标记特征选择算法,均通过样本相似度将特征空间和标记空间的信息进行融合,既能够利用标记之间的关联信息,又独立于具体的分类算法或问题转化策略。在现实世界数据集上表现出了优异的性能,验证了我们的观点。