在大数据时代的背景下,收集到的数据在语义和形式上日趋丰富。作为机器学习领域广泛讨论的问题,标记多义性问题近年来受到了越来越多的关注。多标记学习是当前解决标记多义性问题的主流范式。在该范式中,每个实例可同时属于多个标记,且同一实例所关联的标记具有相同的重要性。很显然,多标记学习仍然无法回答“不同标记对同一个实例的描述程度如何?”的问题,这也局限了它在处理标记多义性问题上的广度。因此,标记分布学习作为多标记学习的延伸,在处理标记多义性方面发挥着越来越重要的作用。然而,现实世界中,标记分布数据的标注信息可能是不完备的,而现有的完备方法不能直接用于处理这些数据。此外,随着数据收集和保存技术的发展,各行各业的数据都趋于高维化,过高的维度给数据分类带来了新的挑战。受此启发,本文从粒计算角度出发,围绕标记分布学习中“标记不完备”和“维度灾难”两个问题展开研究。主要研究工作如下:1.针对标记分布数据中部分样本的标记完全缺失的情况,基于局部粗糙集的思想,提出了一种新的标记分布局部粗糙集模型。该模型利用邻域关系分别对特征空间和标记空间进行粒化,同时考虑了特征之间的相关性和标记之间的相关性,并且通过构造新的近似集来考虑特征和标记之间的相关性。基于标记分布局部粗糙集模型,设计了一种新的启发式特征选择算法以选择相对较优的特征子集。通过一系列的对比实验和统计检验分析,验证了提出的算法的有效性。2.针对标记分布数据中部分样本的标记部分缺失的情况,引用邻域容差关系直接处理不完备数据而无需恢复丢失的标记,避免了噪声信息的干扰,同时考虑了特征之间的相关性和标记之间的相关性。受邻域判别指数的启发,构建了邻域容差判别指数用于评估特征子集的判别能力,并基于此设计了一种新的不完备标记分布特征选择算法。该算法无需离散化即可直接用于处理标记分布数据,减少了离散化过程中的信息损失。多个标记分布数据集上的实验结果表明,所提出的算法是可行且有效的。