分类问题是机器学习领域中一个重要且常见的问题,根据每个样本对应的标签个数,可以分为以下两类:第一类是单标签分类,传统的单标签分类处理给每个样本标注一个类标签的任务。第二类是多标签分类,处理给每个样本标注多个类标签的任务。在现实世界中,多标签分类的数据集通常具有高维特征并且这些高维特征的数据集含有的特征通常是不相关和冗余的,提高了分类的复杂度,影响分类器的性能,所以从现实世界的数据集构建分类模型是一项十分艰巨的任务。而特征选择作为机器学习领域里一个非常重要的数据预处理步骤,在多标签分类中起着十分重要的作用。本文基于过滤式的多标签特征选择算法,采用群智能优化的方法,提出了两种多标签分类的特征选择算法:(1)基于归一化互信息和带二值离散策略的粒子群算法的多标签特征选择算法NMI-BDPSO;(2)基于相关性准则和变异二进制蝙蝠算法的多标签特征选择算法CFS-MBBA。对于算法NMI-BDPSO,通过采用归一化互信息来度量特征与特征、特征与标签以及标签之间的关系的方式,构造了基于归一化互信息的准则函数,带二值离散策略的粒子群算法通过将其作为适应度函数,选出所给定大小的最优特征子集。实验阶段,在多个数据集上,将本文所提出的算法NMI-BDPSO和其它3个多标签特征选择算法在10个多标签分类评价指标上进行性能比较,最后的结果表明,本文所提出的算法NMI-BDPSO有着更好的性能。对于算法CFS-MBBA,使用相关性准则的函数并结合Pearson相关系数的相似性度量方法来度量特征与标签之间的相关性、特征与特征之间的冗余性。变异二进制蝙蝠算法的适应度函数是相关性准则的函数,用来搜索特征子集并选择所给定大小的最优特征子集。实验阶段,在多个数据集上,使用10个多标签分类评价指标将本文所提出的算法CFS-MBBA和其它3个对比算法进行比较,最后的结果表明,本文所提出的算法CFS-MBBA分类效果更好。