在多标签问题中,一个实例不仅与多个标签有关,而且常包含高维特征。在这些特征中有些是冗余的甚至是不相关的,它们的存在降低分类器性能,增加内存占用量。多标签特征选择技术由于能够挑选出与标签最相关的原始特征而成为最主流的解决上述问题的方法。本文在基于条件互信息的非线性规划形式特征子集选择框架QIPcmi的基础上提出两个多标签特征选择算法:(1)基于条件互信息联合遗传算法的多标签特征选择算法;(2)基于归一化条件互协方差算子的二次规划多标签特征选择算法。对于基于条件互信息联合遗传算法的多标签特征选择算法:我们首先对特征进行离散化处理,以满足条件互信息与互信息的要求。然后我们使用了带控制策略的遗传算法求解QIPcmi。在实验中,我们将提出的算法与四种现存的多标签特征选择算法在六个基准多标签数据集上进行比较。通过实验可以发现,我们提出的基于条件互信息联合遗传算法的多标签特征选择算法可以选出更优的特征子集。对于基于归一化条件互协方差算子的二次规划多标签特征选择算法:我们首先介绍了归一化条件互协方差算子和归一化互协方差算子,它们可以分别进行条件依赖性度量和依赖性度量。本文中,我们用它们分别替换QIPcmi中的条件互信息和互信息,形成基于归一化条件互协方差算子的非线性规划形式的特征子集选择方法。然后我们放松约束条件,将原本属于NP难度的问题转化成二次规划问题进行求解。在实验中,我们将该算法与本文提出的第一种算法以及其它两种已有算法在五个基准多标签数据集上进行比较。实验分析显示,我们提出的基于归一化条件互协方差算子的二次规划多标签特征选择算法在实验中拥有更好的分类效果。