随着大数据时代的到来,海量多标签数据带来的“维数灾难”引起了国际上的广泛关注。针对高维数据,通过降维的手段可以使数据分类变得更加轻松,而特征选择在数据的降维处理中起着不可或缺的作用。特征选择从原始特征集中选择特征子集而不进行任何转换,并保持原始特征的物理意义。在降低了数据需求的存储空间的同时,提高了算法的分类效率和预测的准确性。目前已经诞生了大量基于Filter模型的信息论多标签特征选择算法,在本文中,我们也聚焦于信息论提出了两种多标签特征选择算法。1.我们考虑了结合三种影响特征相关性评估的关键方面:候选特征、已选特征和标签相关,而传统的多标签特征选择算法并没有将这三种因素进行综合考虑。为了评估特征相关性,对这三个关键方面进行全面彻底地检查才更有利于捕获最佳特征。于是我们设计了一种新颖的特征相关项FR（Feature Relevance）,它采用三个增量信息项来表示三种条件相关性,以此来综合考虑影响特征相关性的三个关键方面。此外,我们使用标签-相关的特征冗余作为一个新的特征冗余项LR（Label-related feature Redundancy）来尽可能地降低冗余性。综上,提出了结合三种条件相关性的多标签特征选择算法（Feature Selection combining Three types of Conditional Relevance,TCRFS）。大量实验表明,在来自四个领域的13个多标签基准数据集上,TCRFS取得了更加优越的分类性能。2.在以往的基于信息论的多标签特征选择算法中,一般根据已选特征或候选特征提供给标签集的信息量来对特征相关性进行评估。尽管考虑信息量很重要,但它们低估了信息量变化率在评估特征相关性上的重要性。为此,我们基于未确定信息量的变化率和已确定信息量的变化率来评价对特征相关的影响,并设计了一个新的特征相关项RW（Relevance based on Weight）。基于RW提出了一种新的基于特征相关权重的多标签特征选择算法（Relevance based on Weight Feature Selection,RWFS）。为了验证RWFS分类的有效性,将其与八种最先进的多标签算法在13个真实数据集上进行了比较。实验结果表明,RWFS获得了最好的分类结果,也就是说,考虑两种信息量变化率来评估特征相关性能有效地提高算法的分类性能。本文中我们关注基于信息论的多标签特征选择技术上的研究,通过对现有的算法中存在的不同问题,进行特征选择策略上的创新,并以此设计多标签特征选择算法,获得了比现有算法更加优良的分类效果。