随着信息化和机械化设备的普及以及计算机存储能力的提升,越来越多的高维特征数据得以保存。这些高维数据在为多领域应用提供海量信息的同时,也造成了维度灾难问题。另外,高维多标签数据是当前机器学习领域的研究热点之一,多标签数据是指一个样本同时与多个语义相关联,它广泛应用在文本、音频、基因等领域。本文利用特征选择技术对高维多标签数据进行降维并分类。特征选择技术不仅可以抽取高维特征中的关键特征用来训练分类器并建模,还可以帮助研究者更好的理解模型,并提高模型执行效率。因此,大量多标签特征选择技术被提出。一般特征选择算法被分为三类:封装式算法,过滤式算法和嵌入式算法。封装式算法利用分类器的准确率作为度量候选特征子集优劣的标准,直到选择最优候选特征子集;过滤式算法是指特征选择过程与后续分类器无关,它常结合信息论等度量手段设计目标函数;嵌入式算法将目标函数与特征选择过程结合,可以提高执行效率。本文拟从有监督学习出发,针对嵌入式方法和过滤式方法展开研究。本文综合分析存在的稀疏化算法的优劣,提出两种新的多标签特征选择算法:基于双图正则化的鲁棒多标签特征选择算法（DRMFS）和基于动态子空间的多标签特征选择算法（DSMFS）。而后根据基于互信息的过滤式特征选择算法的局限性提出优化方法,设计了一个新的特征选择方法:基于交互信息特征冗余度的多标签特征选择算法（FRM）。本文的主要贡献可以概括为如下四个方面:1.提出一种基于双图正则化的多标签特征选择算法（Robust Multi-label Feature Selection based on Dual-graph,DRMFS）。DRMFS算法只有一个未知变量,因此根据目标函数提出优化乘法梯度下降算法,可以得到全局最优解,同时证明了该梯度下降算法的收敛性。2.进一步根据已有算法（DRMFS）将拉普拉斯矩阵固定的局限性,本文提出一种基于动态子空间的多标签特征选择算法（Dynamic subspace dual-graph regularized Multi-label Feature Selection,DSMFS）。该算法构建了一个动态拉普拉斯矩阵,并在12个数据集上与7个先进算法进行了比较,实验结果证明了DSMFS的优越性。3.提出一种基于交互信息特征冗余度的多标签特征选择算法（Feature Redundancy Maximization,FRM）,该算法将条件互信息的累加和与最大最小值准则相结合,克服了传统基于信息论的过滤式特征选择算法的局限性,在14个数据集上与6个算法进行比较,实验证明了FRM的优越性。