在多标记学习的任务中,多标记学习中的每个样本是可以被多个类别所标记的,与单标记学习相比,多标记学习的应用空间会更广,且关注度更高。但多标记学习算法存在数据维度灾难和数据冗余等方面的问题,需要设计与之对应的多标记算法。在多标记学习中,一些传统特征选择算法已不再适用,传统特征选择算法常被用于单标记学习中,算法设计的评估准则也针对单标记学习适用,多标记学习中的多个标记可以被同时优化;且多标记学习算法中的关联信息是存在于不同的标记间。因此,设计一种多标记特征选择算法,使标记之间的一些关联信息能够被提取和利用。在本文中,我们提出了基于指数损失间隔的多标记特征选择算法,与一种多标记样本相似性的度量方法相结合,该算法通过样本相似性的度量方法,能将样本的特征空间和标记空间的信息融合在一起,独立于特定的分类算法或转换策略,优于其它的特征选择算法分类性能,在基准数据集上验证了所提算法的正确性及较好的性能。