随着大数据时代的发展,在各个应用场景中,数据的维度越来越高。语义越来越丰富。特征选择作为机器学习和数据挖掘领域中重要的数据预处理步骤,它能挑选有代表性的特征子集,通过提出冗余的,带噪声的特征。标记分布学习,作为一个新的学习范式,同样存在维度灾难问题。多标记学习中,每个实例与多个标记相关联,每个标记的重要程度是相同的。标记分布学习中每个实例也与多个标记相关联,但每个标记的重要度不一定是相同的。目前,针对标记分布学习中存在的“维度灾难”问题,有待进一步研究。此外,利用标记增强可以将多标记数据增强成标记分布数据,从而增强数据的监督信息。因此,本文围绕标记增强和标记分布特征选择算法展开研究,并且将标记增强和标记分布特征选择用于植物叶片种类识别中,本文的研究如下所示。首先,本文针对标记分布数据提出了一个新的标记分布特征选择算法。该算法利用了稀疏学习,特征相似性度量和标记相关性度量。稀疏学习是使用l2,1范数,可以使得求解的参数趋近行稀疏。然后基于粒计算思想的特征相似性度量,通过在每个样本的邻域粒度中度量特征相似性,使得相似性高的特征在参数矩阵中对应的向量更加相似。最后利用皮尔逊相关系数度量标记相关性,欧式距离度量标记相关程度。最后在十二个公共数据集和六个评价指标上与五个主流的算法比较,验证了算法的有效性。在现实生活中,标记分布数据标注非常困难,大多数为多标记数据,因此可以利用标记增强算法对多标记数据进行增强,从而得到标记分布数据。在现实中,每个标记的重要程度可能是不同的,但在已有的多标记特征选择算法中大多认为标记的重要程度是相同的,因此利用标记增强算法将多标记数据转换成标记分布数据,以此来增加数据的监督信息。最后,在增强的标记分布数据上,利用标记之间的相关性进行特征选择。最后将挑选的特征子集,输入到多标记分类器中进行分类,以此,来提升分类的性能。本文设计的算法在十五个多标记数据上进行验证,在六个评价指标上与六个主流的特征选择算法比较中表现了有效性。最后,将本文提出的基于标记增强算法的特征选择算法应用于植物叶片种类识别中。该模型主要分为四个步骤:数据处理,标记增强,特征选择和分类。叶片数据是多类数据,通过数据处理将多类数据处理成多标记数据。然后通过深度森林改造的标记增强框架将多标记数据转换成标记分布数据,使得数据的监督信息得到增强,然后再进行特征选择,选取重要程度高的特征。最后在多个分类器上进行分类,验证基于标记增强的特征选择是否有助于分类器分类精度的提升。实验证明,在大多数情况下本文提出的模型在叶片种类识别中表现出了有效性。