多标签特征选择在高维多标签学习任务中起着至关重要的作用,并被广泛用于文本分类,Web数据挖掘等领域。现有的多标签特征选择方法主要是探索特征-标签、特征-特征和标签-标签的相关关系中的两种,少数方法能够同时处理三种类型的相关关系。如果能够同时考虑三种相关关系,可以获得带有更多辨识信息的特征子集,用于构建性能更加优越的预测模型。为了解决这个问题,本文将多标签特征选择问题转化为局部因果结构学习问题,围绕局部因果结构学习驱动的多标签特征选择问题展开研究,主要研究内容如下:（1）为了能够同时处理多标签数据中的特征-标签,特征-特征与标签-标签之间的关系,本文提出了一种基于局部因果结构的多标签特征选择（Local Causal Structure based Multi-label Feature Selection,CBMFS）算法。该算法首先将包含所有变量的多标签数据集视作一个整体,使用传统的因果特征选择方法学习数据集上每个标签变量的局部因果结构,从而能够考虑到三种相关关系,并且能够处理高维的多标签数据;然后,为了弥补前一步中所构造的局部结构中存在其它标签变量导致的部分特征丢失问题,CBMFS学习每个标签在不考虑其他标签情况下的局部因果结构;最后通过一个选择性删除错误特征的过程对前两步得到的特征集合进行处理,得到用于构建预测模型的特征子集。实验结果表明所提出的方法拥有较为良好的性能表现。（2）为了进一步研究其中标签-标签相关性对结构学习过程的影响,即传统的因果特征选择方法应用于多标签数据会因标签间相关性造成部分相关特征丢失的问题,本文提出了一种具有结构修正能力的因果多标签特征选择（Structure-Correct Causal Multi-label Feature Selection,SCMFS）算法。该算法首先将特征与标签都视作普通变量,学习包含所有变量的多标签数据集的情况下每个标签的局部因果结构,然后在已知结构的基础上通过提出一个选择性找回特征的方法找回因标签间相关性丢失的特征,最后通过选择性排除错误特征的方法将有可能错误的特征从前面两步得到的特征子集中移除,得到最终用于构建预测模型的特征子集。实验结果表明所提出的算法性能表现优异。