分类是数据挖掘技术研究的热点之一。多标签分类是针对越来越多的多标签数据提出来的,并且已广泛应用于基因功能的检测、多媒体内容的自动标注等多个领域。现今多标签分类面临着特征数目过大引起的维度问题,多标签特征选择算法就是为了剔除分类任务中存在的大量冗余和无关特征,达到减少特征数目,提高分类器性能的目的。本文从不同角度设计了两个多标签分类的特征选择算法——FI-ARML算法和Mult-ReliefF算法。首先,根据关联规则能够发现数据中属性之间的关联关系,提出了基于频繁项集的特征选择算法——FI-ARML算法。该算法改进了基于邻域粗糙集的多标签特征选择算法,主要分为四个步骤:第一,构建基于类别标签的频繁k项集;第二,对训练样本按照标签集合进行划分;第三,计算每个子样本的特征子集;第四,合并所有特征子集从而得到最终的特征集合。实验表明,FI-ARML算法能在分类效果相当的情况下,大大提高特征选择的速度,达到缩短时间的目的。然后,针对ReliefF算法局限于单标签数据问题,提出了多标签特征选择算法——Mult-ReliefF算法。该算法重新定义了类内最近邻和类外最近邻的查找方法,能直接适用于多标签数据,并加入标签的贡献值更新特征权重公式。实验表明,Mult-ReliefF算法能提高分类精度,获得更好的特征子集。