随着信息技术的发展,多标记分类方法的应用也越来越广泛,现有的多标记算法一般没有充分学习标记之间的相关信息,而标记之间的信息对提高算法的分类性能很有帮助,所以有必要对多标记学习中标记相关性进行深入研究。MLkNN算法在多标记分类算法中拥有良好的性能,但其由于没有考查标记之间的相关性,因而算法性能还有进一步提升空间。本文将对MLkNN算法的后验概率公式进行改进,使其融合多标记之间相关信息,形成算法MRkNN。预先对数据集聚类,在聚类形成后的簇上再使用MRkNN算法进行预测,实验结果证明聚类后考查标记相关性的方法较大地提升了算法的准确率。KNN分类算法并不要求得出显式的规则,KNN算法一般较其他的分类算法有较高的分类准确率。鉴于KNN算法在分类上的优势,非条件类标之间相关性促进效果较小,以及条件类标相关性考查较复杂。本文提出一种基于K近邻分布条件下考察标记相关性的算法。在不同的k近邻的分布情况下,类标之间表现出不同的相关程度。实验证明在k近邻分布条件下学习多标记之间的相关性拥有比MLkNN算法更好的算法性能；并对不同的k取值对算法性能的影响进行了分析得出不同的数据集最优的K的选择是不同的,不同的算法受k值影响不同。本文对条件标记相关性和局部标记相关性的研究为多标记学习中的标记相关性考查方法提供了有益的思路。