在现实生活中,数据存在于方方面面,且这些数据可同时被打上多个标签,此种数据被称为多标签数据。随着信息科学的发展,多标签数据的特征规模呈现爆炸式增长,使得传统多标签学习面临严峻挑战。特征选择能有效解决高维度数据造成的各种问题,凭借这一特点,近年来已成为一种常用的数据预处理方法。以往的多标签特征选择算法在构建算法模型时,都假设数据的标签空间是完整且可预先获取的。然而,在监督学习的实际任务中,数据的标签空间存在缺失标签,并且存在标签以数据流的方式动态流入标签空间的情况。因此,在缺失标签和流缺失标签场景下构建多标签特征选择算法模型,具有广泛的应用价值和现实意义。本文针对缺失标签和流缺失标签场景下的多标签特征选择算法展开研究,主要研究工作如下:（1）针对缺失标签场景,将缺失标签补全是一种有效的处理方式。为了达到标签补全的目的,为每个类别标签从原始特征空间挑选固有类属属性,并通过构建类属属性与标签间的相关性,补全缺失标签。基于这种思想,提出了一种缺失标签下基于类属属性的多标签特征选择算法（Multi-label feature selection based on label-specific feature with missing labels,MFSLML）。首先,依照稀疏学习策略可得到每个类标签的固有类属属性;其次,每个类标签与其固有类属属性的对应关系将利用线性回归模型进行构建,并恢复缺失标签;然后,依据类属属性选择特征;最后,通过对比实验证实了所提算法是有效的。（2）目前很多领域存在标签随着时间的推移动态到达的场景,现有的缺失标签下的多标签特征选择算法并未考虑这一问题。对此,针对（1）中的工作,进一步考虑动态流标签场景,提出一种流缺失标签下的多标签特征选择算法（Multi-label feature selection with streaming and missing labels,MFSSML）。首先,学习已到达标签间的相关性;其次,利用标签相关性补全缺失标签;然后,通过类属属性计算特征得分选取特征子集;最后,通过实验表明与对比算法相比所提算法分类性能较优。