随着计算机科学与技术不断发展,我们在生活中面对着各式各样的数据。其中许多数据是同时被多个标记所描述的,这样的数据被称为多标记数据,也是多标记学习任务的研究对象。多标记学习是根据大量已有的多标记数据建立一个分类模型。经过训练,模型能够给未知的数据打上一组标记。多标记学习在许多现实场景中发挥着作用,如图像识别、文本分类、音频识别等等。然而多标记数据往往拥有大量的特征,特征的高维性易导致“维数灾难”。维数灾难会降低模型的分类性能。因此,特征选择作为一个提升模型性能的有效技术而被学者们重视。本文主要针对多标记学习以及多标记特征选择展开研究,主要研究内容包括:（1）在特定的应用场景中,特征是按照时间顺序进入模型（称为流特征）。为了有效处理流特征场景下的多标记特征选择问题,提出了基于邻域交互增益信息的多标记流特征选择算法。首先,基于邻域互信息定义了邻域交互增益信息,用于衡量特征与已选子集的关系。其次,使用在线相关性分析和在线冗余性分析两段策略来评估流特征。然后,根据多标记邻域交互增益信息构建了在线多标记流特征选择的目标函数并制定特征选择策略。最后,在6个多标记数据集和4个评价指标上,实验结果证明了该算法的有效性和稳定性。（2）利用类属属性知识,提出了基于互信息的多标记类属属性选择算法。首先,构建了基础优化框架来学习特征的权重矩阵。其次,利用互信息和皮尔逊相关系数定义特征重要度指标,并指导学习权重矩阵与标记的正负相关关系。然后,假设两个强相关的标记可以比两个不相关或弱相关的标记共享更多的特征。该优化框架不仅能直接作为分类器使用还可以将权重矩阵当作一个特征选择的基础。最后,实验验证了该算法的有效性和稳定性。