多标记学习已逐渐成为机器学习、大数据和数据挖掘等智能领域的研究热点之一。在多标记学习中,通常样本的特征数量越多,样本实例也就被描述的越准确。随着特征数量的不断增加,它的相关冗余特征也将不断增多。由于这些特征数量的存在会严重影响到分类器的精度,甚至会造成误分,因此需要对特征数量进行降维。特征选择是一种有效的降维方法,它可以先从中选择出相关性高且冗余性小的特征作为特征子集,再对其进行分类训练与预测。在一个样本实例中,是否有标记与样本实例的特征属性有着密切的联系。同时由于标记的不平衡性在智能领域中广泛存在,它会让不同标记对样本实例的描述程度存在一定的差异性。目前,有关不平衡数据的研究较为匮乏。传统的处理方法一般是先通过抽样或者重采样的方式将不平衡数据处理成为平衡数据,再对其进行研究。但是这种处理方法常会改变原有数据集的属性和丢失部分信息,致使分类器的精度有所下降。现有的研究多数是针对单标记下的不平衡性,而对多标记下的不平衡性却鲜有研究。基于多标记下的不平衡性存在的问题,本文提出了两种改进算法,主要研究工作如下:(1)目前多数特征选择算法并未考虑不同标记对样本的描述程度可能存在一定的差异性。针对这一问题,提出了一种不平衡标记差异性多标记特征选择算法(Multi-label Feature Selection Algorithm with Imbalance Label Otherness,MSIO),首先将不同标记下正负标记的频率分布作为该标记的权值并加入到特征选择的过程中,然后修正传统的信息熵计算方法,最后得到一组更为高效的特征序列。在多个多标记基准数据集上进行了充分验证,所得实验结果和统计假设检验说明该算法是行之有效的。(2)现有特征选择算法大多是基于标记分布大致平衡这一假设而提出,其中少有考虑标记分布不平衡的问题。针对这一问题,提出了一种边缘标记弱化的多标记特征选择算法(Multi-label Feature Selection Algorithm with Weakening Marginal Labels,WML),首先计算不同标记下正负标记的频数比值作为该标记的权值,然后通过赋权方式弱化边缘标记。在进行特征选择的过程中加入标记空间的相关信息,得到一组更为高效的特征序列,这提升了标记对样本描述的精准性。通过对实验所得结果进行分析,本文所提算法具有一定优势。同时稳定性分析和统计假设检验更进一步证明了算法的有效性。本文提出的MSIO算法和WML算法将不同标记所包含的信息加入到分类过程中,不仅保留了特征空间的原始属性,又提高了分类器的精度。在多组基准数据集上的实验结果表明,本文所提算法较其他对比的多标记学习算法有一定的优势。通过稳定性分析和统计假设检验进一步证明了本文算法的有效性和合理性。