随着信息技术的高速发展,大数据呈现出数量爆发式增长、形式复杂多样以及语义日益丰富的特点,传统的单标记数据无法应对一个对象同时属于多个类别的问题,因此需要利用多标记学习来处理和分析这类数据。此外,由于现实世界的复杂性,真实的多标记数据通常伴随着各种类型的噪声,直接对这些数据进行预测,可能导致分类性能的下降。为此,本文从多标记数据分析、分类预测等实际需求出发,运用机器学习模型及算法对多标记数据进行预处理,在邻域决策系统中,拓展基于粒计算的邻域粗糙集、模糊集等理论模型研究,针对完备的、不完备的和带有缺失标记的多标记数据以及偏多标记数据开展多标记分类的理论、算法及其应用研究。本文主要研究内容包括:（1）现有的一些多标记特征选择算法忽略了标记之间的相关性,导致预测分类性能下降;同时一些基于邻域粗糙集的特征选择算法在确定合适的邻域半径时仍然面临困难,导致计算复杂度和时间成本高。为了克服这些问题,在多标记邻域决策系统中提出了一种基于Fisher Score和多标记邻域粗糙集的多标记特征选择方法。首先,分别构建了正、负标记之间的两种互信息以考虑标记之间的相关性,通过增强标记之间的强相关性并弱化标记之间的弱相关性,设计了一种新的基于互信息的Fisher Score算法,对多标记数据进行预处理,以减少后续算法的时空复杂度。其次,为了解决传统的多标记邻域粗糙集模型中邻域半径通常由手动设置的问题,采用目标样本在不同标记上对应的异类和同类样本的子集,基于邻域间隔设计了新的分类边界作为邻域半径,进而提出了邻域类和上、下近似集等概念。然后,设计了新的权重并改进依赖度的计算方式,以有效衡量多标记邻域决策系统中样本的不确定性。由此,基于Fisher Score和多标记邻域粗糙集设计了一种启发式前向搜索的多标记特征选择算法,以提高多标记数据集的分类性能。最后,将该算法应用于13个多标记数据集的特征选择研究,实验结果与分析验证了该算法的有效性。（2）现有的大多数多标记数据通常存在许多缺失属性以及标记,因而带有缺失标记的不完备多标记数据的分类任务仍旧面临诸多挑战。为了解决这一问题,基于邻域模型提出了一种两阶段多标记分类方法,用于处理带有缺失标记的不完备多标记数据。首先,为了解决邻域半径需要手动选择以及邻域内样本不平衡的问题,在不完备多标记邻域系统中,基于特征分布函数设计了新的邻域半径计算公式,并构建了一种基于邻域粗糙集的不完备特征补全算法,同时获取对应的特征权重矩阵。其次,为了进一步考虑特征之间的非线性关系,在带有缺失标记的多标记邻域决策系统中,基于高斯核函数研究了邻域内样本之间的模糊相似关系,并与回归模型相结合,设计了新的目标函数。然后,采用交替梯度下降策略,获取目标函数的最优解,设计了一种针对带有缺失标记的多标记分类算法。最后,将该算法应用于18个多标记数据集的多标记分类研究,实验结果与分析验证了该算法能够有效提升缺失标记数据的分类效果。（3）现有的大多数偏多标记学习模型是通过构建目标函数,并优化目标参数来求解,这可能会在训练过程中出现大量噪声数据,将会导致分类性能下降。同时,容易忽略特征之间复杂的非线性关系。为了弥补这些缺陷,设计了一种基于模糊邻域的粒球聚类和核极限学习机的偏多标记学习方法。首先,为了减少噪声的干扰,改进了粒球聚类模型并对偏多标记数据进行预处理。其次,在偏多标记邻域决策系统中,设计了样本之间的模糊相似度、模糊邻域粒度,并提出了一种粒球融合的概念,在此基础上定义了模糊隶属度函数、标记增强公式和样本间的相似度矩阵。然后,为了考虑特征之间的非线性关系,基于核极限学习机模型以及原始特征序列输出了新的训练数据的特征变换矩阵;将模糊隶属度函数、标记增强矩阵、样本间相似度矩阵与训练数据的特征变换矩阵相结合,基于回归模型设计了新的目标函数充分考虑特征之间复杂的非线性关系;采用加速近端梯度优化方法求解目标函数的最优解,并设计了一种新的偏多标记分类算法。最后,将该算法应用于14个偏多标记数据集的多标记分类研究,实验结果与分析表明了所设计算法能够提高偏多标记数据的分类性能。