多标签学习是数据挖掘与机器学习领域中的一个重要研究方向,并且已被广泛应用与文档分类、图像标注和基因功能检测等实际应用中。有别于单标签分类问题,多标签学习中的样本带有多种标签信息,其输出空间的类别标签集合个数将随着标签数量的增加成指数增长,这使得传统分类学习中只考虑明确、单一的语义的监督学习框架不再适用。在当前,多标签学习存在两个核心部分,即刻画标签相关性以及学习多对多的映射关系。然而,标签相关性和多标签数据存在的高维稀疏性所带来的输入输出空间的差异性,增大了多标签模型的学习难度,也降低了模型的预测效果。这里将其称为多标签学习中的不一致性问题。因此,构建可以减少多标签学习的不一致性的模型,对于多标签学习研究,具有重大的理论研究意义,同样也有很强的应用价值。本文的主要贡献如下:第一、针对多标签数据中存在的不一致性问题,本文结合度量学习的思想,从标签的相对相似性角度,提出学习符合标签标签相似性约束的多标签度量学习算法MLMLI。从模型构建的角度,几乎所有的多标签学习算法都需要考虑:如何利用标签之间的相关性,和如何构建特征与标签之间的多对多映射关系。标签之间存在的关联使多标签问题的分析复杂化;而多对多的映射关系加大了模型训练和预测的难度。MLMLI算法基于传统的度量学习框架,首先利用标签相关性构建出多标签数据在语义空间的相对相似性,然后以此作为弱监督信息进行特征空间的相似性学习。第二、为构建更紧密的特征-标签映射关系,本文结合回归模型与度量学习,提出一个统一的学习算法MMML,在学习出度量矩阵的同时训练出多标签回归模型。MMML算法中的度量矩阵刻画了特征投影与标签向量的各个维度的权重与相关性,因此,在度量矩阵下的回归函数可以得到更紧密的特征与标签的映射关系;同时,度量矩阵的学习基于带闭式解的度量学习模型,在计算效率上较传统的度量学习模型有很大提升。第三、考虑到现实场景中有标签数据往往很稀少的现状,本文提出基于局部性的半监督多标签学习算法,即SeML算法。考虑到全局映射的局限性,SeML算法对每个数据都训练出一个映射函数。它的方法主要基于局部平滑的假设,并以类似标签传播的方式将有标签数据与无标签数据相结合。本文通过大量实验表明了以上算法在各自场景的有效性和优越性。