当下,人们生活中的衣食住行都向着智能的方向改进,而这一切都离不开对数据信息的挖掘。智能的生活方式产生了海量数据,数据挖掘就是从大量数据中发现其中潜在信息的过程。在数据挖掘领域中,高维数据导致的维度灾难和数据过拟合是困扰研究人员的两大问题。特征选择是一个重要的数据预处理步骤,通过从候选特征集中挑选出重要的特征组成新特征子集,利用该子集进行模型训练等学习任务。进行特征选择可以有效地克服维度灾难问题,缓解过拟合。现有的大多数多标签研究都囿于一种固定思维而只考虑每个标签对特征选择模型的影响是相同的,然而每个标签的丰富信息如果加以利用是可以提高特征选择模型的性能。本文通过标签加权充分利用隐含的标签信息提出了两种新的特征选择方法,主要研究工作如下:（1）提出了一种模糊边界域加权标签的多标签特征选择算法。首先,本文引入模糊粗糙集来用于多标签特征选择,将模糊边界域的概念作为评价标签重要性和特征重要度的准则,通过标签的重要性发掘标签信息进一步助力特征选择。然后,本文设计了一种动态地标签加权启发式算法来挑选特征。最后,实验表明该算法在多标签数据集上挑选的特征子集有着较优的分类性能。（2）提出了一种互信息加权标签的多标签I-Relief算法。首先,本文引入I-Relief处理多标签特征选择问题,以最大化样本的区分能力为目的迭代更新特征权重,然后,在迭代过程中加入标签权重强化特征对样本的区分。最后,本文设计了一种权重迭代更新算法来求解优化问题,并用实验验证所有算法的有效性。