在多标签分类问题中,样本的类别标签之间不再是相互排斥,每个样本可以同时有多个类别标签。在传统的多标签特征选择问题中,特征空间、样本个数、样本标签空间都是已知的,而在多标签流特征选择问题中,特征空间是未知的,样本个数和标签空间是固定的,特征是动态产生且随时间序列到达的。流特征选择是在随时间依次达到的特征集中,选择到目前为止最优的特征子集。通过剔除不相关特征或冗余特征,流特征选择可以降低数据维度,加快学习速度,简化模型,提升算法性能。本文构建了两类多标签流特征选择算法:基于α-投资多标签流特征选择算法和基于互信息的多标签流特征选择算法。1、第一类算法有两个算法:基于二类相关分解策略的α-投资多标签流特征选择算法MLSFSAI-BR和基于多输出回归的α-投资多标签流特征选择算法MLSFS-MOR。我们在11个多标签数据集上与3种多标签特征选择方法比较多标签分类性能。实验表明,MLSFSAI-BR算法的性能优于三种对比算法。与MLSFSAI-BR算法相比,MLSFSAI-MOR算法能够更快地筛选出更少的特征,且能够对标签之间的相关性进行初步挖掘。2、第二类算法有三个算法:基于互信息的多标签流特征选择算法MLSFS-MI、基于互信息的快速多标签流特征选择算法MLSFS-Fast和基于最大相关最小冗余的多标签流特征选择算法MLSFS-MRMR。实验表明,在这三个算法中,MLSFS-MRMR算法的性能最好且选择特征个数最少,既考虑了流特征与标签的相关性,又考虑了特征之间的冗余性。与本文提出的第一类中的两个算法和三个对比算法相比,MLSFS-MRMR算法有更好的表现。