随着数据挖掘的发展,数据的高维特征空间已经成为了传统监督学习任务中的一大挑战。作为学习任务中的关键预处理步骤,特征选择主要用于减轻高维特征空间中不相关和多余的特征引起的“维度灾难”问题。作为一种有效的特征选择工具,模糊粗糙集理论能够有效地处理连续型特征下数据的模糊性,在近些年里引起了广泛关注。然而,不同于传统监督学习范式,在多标记学习中,除了数据的高维性,标记多义性也是多标记数据中一个突出的特征,即一个对象往往同时与多种语义相关联。除此以外,在大多数的实际应用中,不同标记对一特定实例的相对重要程度之间往往存在差异性,而传统多标记学习中的均匀分布假设无法有效地描述此种情形。因此,基于模糊粗糙集理论,本文以上述两个视角对多标记特征选择进行研究,并取得相关研究成果如下:1.基于模糊辨识矩阵框架,本文定义了模糊标记辨识关系和模糊相对辨识关系,以衡量特征空间和标记空间下实例对之间的辨识度。基于实例对之间的辨识关系,本文利用了特征的辨识能力以衡量特征与标记的相关性,并定义了基于辨识度的特征重要度度量。在此基础上,本文提出了一种基于模糊辨识度的排序算法,以实现多标记数据的特征选择任务。最后,为了验证所提出的方法的有效性,本文在10个选定的多标记数据集和多标记分类器MLKNN上,与四个代表性的多标记特征选择方法进行了对比实验。基于六个被广泛接受的评价指标,实验结果表明,所提出的方法在多标记数据的特征选择上取得了较好的表现。2.为实现标记相对差异性的描述,本文将标记分布学习融入到多标记特征选择中,用于挖掘标记空间中被等价关系忽略的监督信息。其中,本文基于粒计算视角,提出了一种新型标记增强算法,通过计算实例之间的模糊相似度来挖掘隐藏的标记相关性,并从逻辑标记中获得标记分布。为了处理标记分布数据的模糊性,本文将模糊粗糙集与判别指数相结合,提出了模糊邻域判别指数,以衡量连续型空间下特征的可辨识性。然后,本文提出了一种新的基于标记增强的特征选择算法来处理多标记学习中的高维性问题。为了验证所提出的算法的有效性,基于12个多标记数据集,本文选取了5个代表性的多标记特征选择算法,构建了一系列的对比实验。在六个广泛使用的评价指标下,实验结果表明,所提出的算法在与其他算法的对比中具有明显的优势。