区别于传统的监督学习中每个样本只属于一个类别标签的学习框架,多标签学习中的一个样本同时标注为多个类别标签的学习框架能够更有效地分析现实世界中所存在的问题。多标签学习是一个具有挑战性的研究课题,来源于文本分类中所遇到的多义性问题。近十几年来,吸引了越来越多的研究人员的兴趣,并应用到很多新的领域,如生物信息学、多媒体自动标注以及情感分类等。学者们已经提出了一系列多标签分类算法,然而高维数据中的大量不相关、冗余的特征导致了分类器性能的降低。因此,特征选择作为一种高效的数据降维技术,在多标签学习中可以起到关键的作用。目前,针对多标签学习的特征选择问题的研究相对较少。为此,本文围绕该问题,将非负矩阵分解和流形学习技术应用到多标签学习中,提出了两种多标签特征选择算法。主要研究工作如下:1.提出了一种基于非负稀疏表示的多标签特征选择算法。首先,我们引入子空间学习用于多标签特征选择,并在矩阵分解过程中对指示矩阵加以非负和稀疏约束。然后,我们设计一种高效的矩阵更新迭代算法,用以求解矩阵的非负约束和2,1L-范数最小优化的融合问题。最后,实验结果表明了该算法在多标签数据集上有着较优的特征选择性能。2.提出了一种基于特征流形和稀疏正则化的多标签特征选择算法。首先,我们利用最小二乘回归模型把多标签特征选择形式化成一个带有正则项的矩阵分解问题,用回归系数矩阵评估特征重要度。然后,我们将特征流形和稀疏约束嵌入到优化问题框架中,试图获得平滑的、行稀疏的回归系数矩阵。最后,我们设计出一种高效的矩阵更新迭代算法来求解优化问题,并用实验验证了所提出的算法的有效性。