近年来,标记多义性学习是机器学习和数据挖掘领域的一个热门主题。在传统的机器学习框架中,比较成熟的标记多义性学习范式是单标记学习和多标记学习。其中,单标记学习假设一个示例只和一个标记相关,而多标记学习假设多个标记可以共同描述一个示例。因此,多标记学习相比于单标记学习能解决更复杂的标记多义性问题。然而,上述两种学习范式实际上都只回答了“哪些标签可以对示例进行描述”,而并没有解答包含更广泛标记多义性的进一步问题,即“每个标签是怎么描述这个示例的”。因此,针对这类问题,学者们提出了标记分布学习范式。标记分布学习是对多标记学习范式的进一步拓展,适用于解决更复杂的标记多义性问题。并且,为了提升学习性能,如何挖掘并利用数据之中的相关性是标记分布学习的一个核心内容。基于此,本文通过挖掘并利用局部样本间的相关性和局部标记间的相关性,对标记分布学习方法展开进一步研究。第一,本文提出了基于局部样本相关性的标记分布学习算法。目前的标记分布学习方法一般通过考虑标记间的相关性进而提升算法性能,而未对局部样本与示例之间的相关性加以利用。为了利用局部样本与示例之间的相关性,本文在标记空间将示例聚类成不同的主题,即不同的局部样本。在每个局部样本中,所有示例共享相似的标记相关性。此外,为了体现局部样本对示例的影响,本文为每个示例增加了一个额外的特征向量,向量中的每个分量分别代表不同局部样本对该示例的影响。最后,本文同时利用示例的原始特征和增加的额外特征,对测试样本的标记分布进行预测。广泛的实验结果证明利用局部样本的相关性能更好地解决标记分布问题,并且能取得更好的效果。第二,本文提出了基于局部低秩标记相关性的面部表情情感分布学习算法。现存的面部表情情感识别方法一般假设一个表情能由多个情感标签进行描述,为了更精确地描述面部表情,本文采用标记分布学习来解决面部表情情感识别问题。此外,现存的标记分布学习方法一般假设利用标记间的全局相关性,即假设所有的示例共享相同的标记相关性。但是,在面部表情情感识别中,情感标记之间的相关性通常是局部的,不同的表情可能拥有不同的标记相关性。基于此,本文提出了一种基于局部标记相关性的标记分布学习方法。此外,考虑到标记之间相关性的复杂性,相比于现存工作显式地对标记间相关性加以利用,本文采用了一个局部的低秩结构,来隐式地利用标记间的局部相关性。实验结果表明,利用局部低秩结构考虑标记间的相关性,能更好地利用标记间的相关性,从而得到更好的性能。