随着各应用领域中数据量的快速增长,特征维度越来越高,语义日益丰富,数据通常呈现高维性和多标记性。多标记特征选择作为机器学习中一种重要的预处理步骤,它能够删除不相关和冗余的特征,同时选出提升多标记分类性能的特征子集。然而,传统的多标记学习也存在着其不能够解释的问题,即:“在该实例中,各个标记对其的描述程度分别是多少?”。标记分布学习作为一个广义的多标记学习范式,在此范式中,实例按相关标记所占的分布比例进行描述,能够很好地回答上述问题,从而解决此类新的语义问题。同时,代价敏感学习作为数据挖掘任务中的十大热点问题之一吸引了众多学者关注,因为在现实生活中,获取数据通常需要付出相应的代价成本去获取实例下的特征值。因此,本文围绕标记分布学习和代价敏感学习两方面开展多标记特征选择算法方面的研究,本文的主要研究工作如下所示:首先,从粒计算和标记分布的角度,提出了一种基于标记分布和特征互补性的多标记特征选择方法。算法首先基于邻域模型的粒计算方法,获取了多标记数据集中每个实例下的所有相关标记的不同重要度,从而对传统逻辑标记进行标记增强,以获取潜藏在传统多标记学习下的标记分布信息;然后,在考虑两种特征相关性的同时,进一步通过邻域互信息估计特征之间的互补性对特征进行评价,以选择出满足条件的候选特征。最后,通过在十个公开数据集和六个指标上与四个主流方法进行对比,实验结果验证了所提出的方法的有效性和优越性。其次,本文从代价敏感的角度设计了一种基于邻域粒度和标记增强的代价敏感多标记特征选择算法。该算法利用邻域粒度对传统的逻辑标记进行标记增强,从而挖掘出更多的监督信息,并利用代价敏感中的三种分布形式拟合现实世界中的代价分布情况,再将其的影响考虑到多标记特征选择算法当中,设计了一种可以选择与标记集合高度相关并且代价相对较低的特征子集的方法。最后,通过在十个公开数据集和代价约简率及其他五个常用指标上与四种主流方法进行对比,实验结果论证了所提出的方法的有效性及可行性。