大数据时代使得采集的数据从维度上呈现爆炸式增长,从标签角度呈现多样化走向,因此获取的数据有两个突出特点,即“数据维度高”和“标签不完整”。在机器学习任务中,直接处理高维且不完整标记数据会面临“维度灾难”、“算法失效”等问题,因此面向弱监督多标签数据的特征选择应运而生,成为解决此类问题的有效手段。近年来,弱监督多标签场景下的特征选择因其广泛的应用,引起了越来越多的关注,许多问题亟待解决:(1)面向半监督多标签数据,无法同时“降低不准确预测标签的消极影响”和“有效地评估标签相关性”。现有的特征选择算法仅关注二者之一,无法抽取真实的标签相关性指导特征选择;(2)面向弱标签数据,无法同时“识别缺失标签”和“消除缺失标签对特征选择的消极影响”。现有的特征选择算法处理缺失标签主要有两类:直接将缺失标签假定为负标签从而高估了未观察标签的指导能力;轻率地估算缺失标签值可能会引入标签噪音,两类方法都会误导相关特征的选择。针对现有的特征选择方法在处理弱监督多标签数据存在的以上2点问题,本文在空间一致性理论和概率生成框架基础上,设计并实现了2种高效的特征选择模型。第一,针对现有的特征选择算法在处理半监督多标签数据时,无法“降低不准确预测标签的消极影响”和“有效地评估标签相关性”,本文设计了一种新的基于空间一致性的特征选择模型。该模型利用概率邻居图动态地捕获特征空间的相关性,基于特征-标签空间一致性去优化预测标签空间的相关性信息。在半监督多标签学习场景中,该机制可以较准确地抽取标签相关性去指导特征选择。在真实数据集上,本文方法在多种度量下均取得了很好的选择性能。第二,针对现有的特征选择算法在处理弱标签数据时无法“识别缺失标签”和“消除缺失标签对特征选择的消极影响”,本文设计一种新的概率生成模型。该模型松弛平滑假设去推断标签观察性,进而在特征选择过程中定位并排除未观察标签,同时结合spike-and-slab先验完成稀疏特征选择。通过利用数据放大技术诱导模型完全局部共轭,本文设计了一种简单、高效的期望最大化算法用于模型推断。基于多种评估度量的实验结果验证了本文方法的优越性。