随着信息技术的迅猛发展,数据量随之飞速增长,为了挖掘出数据中有价值的信息,数据挖掘受到了广泛关注,而随着数据量增加的同时,特征的维度也在不断增大,引发了维度灾难问题,特征选择是有效的解决维度灾难问题的手段之一,现有的特征选择方法大多只针对静态数据,而许多实际应用中数据往往呈现动态性与复杂性等特点,而动态场景下现有的在线流特征选择方法大部分仅能处理单一类型数据。此外,现实生活中广泛存在实例多义性的问题,且现有的在线流多标记特征选择算法大都基于单标记学习,没有充分考虑到标记与标记的差异性,同时许多特征选择算法较为依赖特定参数。粗糙集是粒计算理论中重要的模型,其在数据处理过程中,不需要相关领域知识并能自动的从数据中获取潜在的规律。为此,本文基于粗糙集理论,研究单标记混合数据的在线流特征选择及多标记数据的在线流特征选择。本文主要工作如下:1.在线流特征场景下,针对单标记混合数据,提出了一种混合邻域粒化方法,并从特征与标记之间的依赖性和特征之间的相关性两个角度,构造了一种基于粒计算的线性融合特征重要性度量方法,对特征的重要性和冗余性进行分析,基于此提出了一种面向混合数据的在线流特征选择方法。在9个真实数据集上,基于特征子集大小、运行时间和预测精度这三个指标,本算法与目前五种主流方法进行了实验对比,在保证时间消耗和特征子集大小的前提下,该方法取得了最优的平均精度,验证了方法的有效性和可行性。2.在线流特征场景下,针对现有算法中的特定参数问题,本文提出了一种自适应邻域粒化方法,并针对多标记数据中标记重要性的差异,在自适应邻域粒化方法的基础上,考虑标记间重要性的差异,提出了一种面向多标记数据的特征重要性度量方法,并基于此,提出了一种基于自适应邻域的多标记在线流特征选择算法。在4个Mulan真实数据集上同五种主流方法在特征子集大小,时间以及分类性能三个方面共7种评价指标上进行实验对比,实验结果验证了该方法的有效性和可行性。