在经典机器学习问题中,多标记学习作为一个热门的研究内容对现实世界多义性对象的研究具有重要意义,然而在现有的多标记学习算法中都忽略了标签之间具有的不平衡性。很多时候,研究者们更关心实例对于不同标签的隶属度以及其分布情况,因此有研究将多标记数据中的逻辑标记替换成了概率分布的形式,这就得到了标记分布数据。不论是多标记数据还是标记分布数据,都面临着数据规模爆炸式增长的问题。时至今日,针对多标记数据的特征选择方法有很多种,而能够适用于标记分布数据的特征选择研究却并不多。实际上,特征选择能够帮助我们发现蕴含在标记分布数据中潜在的重要特征与关键信息,此外,它还能够减小标记分布学习的时间与复杂度。因此,一方面本文提出了两种适用于标记分布数据中条件概率形式标签值的特征选择算法,以简化复杂且冗余的标记分布数据,助力于标记分布学习。另一方面,本文针对系统决策属性值变化的复杂情况提出了相应的动态知识维护方法,以期望更好的维护数据中的关键信息与知识。本文紧密围绕动态知识维护以及标记分布数据的特征选择展开研究,主要研究工作与贡献如下:（1）本文提出了两种基于模糊粗糙集模型的标记分布特征选择算法。其中一个算法基于模糊互信息对特征与标记分布之间的相关性以及特征之间的冗余性进行了度量,最终采用启发式前向搜索策略来选择一定维度的特征子集。另一个算法则基于模糊截关系将标记分布数据的模糊相似关系转换成为经典等价关系,通过模糊广义决策生成赋值差异矩阵并计算最小差异属性集合,在进行特征选择后输出得到的特征子集。最终,理论分析证明了算法的合理性,在真实数据集上的实验结果进一步验证了算法的有效性。（2）本文提出了针对决策属性值变化的动态维护决策规则的增量式算法。基于决策属性值粗化以及细化过程对原始数据广义决策的影响,本文总结了赋值差异矩阵在决策属性值变化的复杂情况下对应的更新规则。最终,理论分析算法的计算复杂度证明了算法的合理性,与经典规则归纳方法在真实数据集上的对比实验结果验证了所提出的增量式算法的有效性。