近年来,多标签学习在文本分类、蛋白质功能预测,图像标注等领域的应用越来越多。在各种各样的多标签应用中,最主要且最重要的就是对每个样本及其与之相对应的标签进行正确的分类。同传统的机器学习一样,多标签学习同样也面临着维度灾难的问题,于是多标签特征选择便应运而生,但和传统的机器学习不一样的是,在多标签机器学习中,标签之间可能会存在一定的相关性和差异性,特征之间会存在一定的相关性和冗余性。现有的大多数多标签特征选择方法虽然考虑到了标签之间的相关性,但并没有考虑到特征空间中特征和特征之间的相关性,或者考虑到了特征空间中的相关性,但未能有效去除特征空间中的冗余特征,同时也忽略了标签的差异性。针对上述问题,本文提出了一种基于特征分组相关性分析的多标签特征选择方法,用来去除特征空间中的冗余特征。同时提出了一种基于特征空间融合的多标签特征选择方法,将共享特征空间和标签特定特征空间融合,以保证考虑到标签之间的个性和关联性。本文的主要研究工作如下:1.为了更好的挖掘样本特征空间中特征和特征之间的相关性和冗余性,提出了一种基于特征分组相关性分析的多标签特征选择方法。该方法首先对特征空间中的特征进行相关性分组;利用信息增益和信息熵计算特征空间中特征之间的相关性,若大于某一数值,则存在较强相关性,分为同一组;反之,则不在同一组,分组完成后,同一组内的特征存在较强相关性,组间特征则存在较弱相关性。然后利用拉普拉斯评分对分组后特征组内的每个特征进行打分。最后,对于所有的特征组,根据特征评分的大小提取出top-k个特征,筛选出一批相关性较低的特征。如此,便可以剔除共享特征空间中的冗余特征,达到提高分类效果,降低特征维度的目的。2.为了更进一步的深入挖掘样本标签空间中标签的差异性问题,提出了一种基于特征空间融合的多标签特征选择方法。该方法首先根据样本所对应的标签属性对样本做一个正负类的聚类。然后对于正样本和负样本所构成的正类簇和父类簇单独确定其聚类个数,并计算原特征到正负类簇中各个类中心的距离,如此一来,便产生了标签特定特征空间。最后将标签共享的特征空间和标签特定特征空间融合,以保证考虑到多个标签之间的个性和关联性,解决标签的差异性问题。经过在9个公开的多标签数据集上的实验表明,相较于现有多标签特征选择方法,本文方法在各个分类指标上均有较优的表现。在加入特征空间融合后,在各个分类指标上得到进一步的提升,充分证明了本文方法的有效性。