随着信息技术的高速发展,大数据时代的数据呈现出爆发式增长、形式复杂多样以及语义日益丰富的特点,传统的单标记数据无法描述一个对象同时属于多个类别的问题,需要利用多标记学习来描述这类数据。此外,面向多标记学习中的多标记数据高维性是广泛存在的,由于侦测手段和隐私保护等因素,其中包含着冗余、不相关的以及不完备的信息,这严重影响了多标记分类的性能。本文针对多标记学习中的高维数据特征选择问题,扩展邻域粗糙集理论及其模型,从邻域粒化的思想出发研究多标记邻域决策系统中的不确定度量方法,结合机器学习算法,基于邻域粗糙集理论提出了一些多标记特征选择算法,通过理论分析与实验对比,测试和验证所提算法的性能。本文主要的研究内容包括:（1）针对多标记学习中数据的多样性与复杂性导致特征选择算法分类精度低、计算复杂度高等问题,提出了一种基于多标记Relief F和邻域互信息的多标记特征选择方法。首先,为了提高Relief F算法在多标记特征选择中的稳定性,针对多标记数据在Relief算法中分别定义了最近的同类样本和异类样本的距离,以及同类和异类样本的平均差异系数,结合Jaccard相似系数,构造一种新的特征权重更新公式,进而设计了多标记Relief F算法,初步消除不相关的特征,以降低多标记特征选择的计算复杂度。然后,在多标记邻域决策系统中研究每个标记下样本的间隔,以此定义邻域参数来粒化样本,将代数与信息观点相结合,研究了基于多标记邻域熵的不确定性度量方法,给出新的邻域互信息概念并推导其相关的定理与性质。最后,基于多标记邻域熵度量构建了一个特征优化函数,评估多标记邻域决策系统中的候选特征,进而设计了一种基于多标记Relief F和邻域互信息的多标记特征选择方法,来有效剔除冗余特征,获取最优特征子集。在13个多标记数据集上的实验结果表明,所提算法能够有效消除冗余特征并提高分类精度。（2）为了解决传统多标记学习中特征选择算法容易忽略标记间的相关性,以及多数基于邻域粗糙集模型的特征选择算法无法从理论上分析可数无限集合等问题,提出一种基于二进制粒子群算法和多标记邻域粗糙集的特征选择方法。首先,为了克服传统基于相关性的特征选择算法忽略了标记之间相关性的问题,提出了单个标记与标记集合以及标记集之间的两种标记相关性,同时结合熵度量,研究了标记之间的相关性并设计了改进的基于相关性的特征选择评价函数,以此作为二进制粒子群算法中的适应度函数,进而设计了一种混合过滤与封装策略的多标记特征选择算法,初步消除冗余特征以降低后续算法的计算复杂度。然后,将Lebesgue测度引入多标记邻域粗糙集,构造了基于Lebesgue测度的多标记邻域粗糙集模型,给出了基于Lebesgue测度的邻域近似精度和邻域依赖度的计算方法,度量多标记邻域决策系统中的相关性和不确定性,并推导相关性质。最后,在多标记邻域决策系统中提出了一种前向启发式搜索的多标记特征选择算法以提高多标记分类性能。在13个多标记数据集上的实验结果表明,该算法能有效地选出对分类最具有鉴别能力的特征。（3）针对多标记学习的实际应用中经常面临多标记数据存在标记缺失,导致多标记分类具有很大的复杂性和歧义性的问题,提出了一种基于多标记模糊邻域粗糙集和最大相关最小冗余的缺失标记特征选择方法。首先,为了解决多标记数据中标记缺失的问题,在线性回归模型中定义了样本的相关系数,设计标记增补矩阵和标记特定特征矩阵来恢复缺失的标记。然后,基于多标记邻域粗糙集模型和模糊邻域粗糙集模型建立多标记模糊邻域粗糙集模型,由此基于间隔定义模糊邻域参数、模糊邻域相似系数和模糊邻域信息粒度;从代数观和信息观出发,提出了基于模糊邻域熵的不确定性度量方法,在此基础上定义了结合标记相关性的最大相关最小冗余准则以评估候选特征性能。最后,设计了一种基于多标记模糊邻域粗糙集的特征选择算法,有效改善带有缺失标记的多标记数据的特征选择的分类性能。在20个不同缺失比率的多标记数据集上的实验结果表明,该方法不仅能够有效地恢复缺失标记,还可以获得具有较高分类性能的特征子集。