随着近年来临床数据的快速积累,基于回顾性数据的临床决策支持研究已成为医学信息学领域的一项研究重点。然而,现有决策支持研究大多着眼于对单一特定疾病的针对性建模,往往忽视了临床实践中广泛存在的疾病关联关系;少数研究已基于多标签学习范式对疾病关系加以利用,但现有通用算法仍无法满足临床决策支持的诸多领域需求。因此,研究面向决策支持任务的领域性多标签学习方法,实现疾病关联信息高效利用,对提升临床决策支持研究的合理性、完备性及临床应用能力具有重要意义。为实现该目标,本论文提出了一种创新性多标签分类算法框架,并针对临床实际需求进一步构建了面向临床横断面和短时序数据的多标签临床决策支持方法,整体提升了对临床数据中潜在疾病关联信息的利用能力,为本领域相关研究提供了创新思路与理论方法支撑。论文的内容与创新点主要包括:提出了一种基于标签矫正的多标签分类算法框架。针对堆叠结构多标签学习方法中的误差传导问题,提出两项误差传导假设与精细化的输出确定方法,降低了误差传导所产生的负面效应。之后,进一步提出以标签矫正为核心的算法框架,开发了一种框架下的通用算法实例,验证了框架在多领域上的普遍有效性。提出了一种面向临床横断面数据的多标签辅助诊断方法。该方法针对临床决策支持中风险概率输出的领域需求,通过创新性概率矫正过程增强了多标签学习方法对疾病关联的利用能力,在五种慢性疾病的辅助诊断任务上实现了0.5%至3.0%的AUCPR指标提升。该方法可普适性应用于临床横断面数据下的多疾病辅助诊断任务,为横断面研究这一最常见临床决策支持研究范式提供了一种有力的方法学工具。提出了一种面向短时序数据的多标签慢性疾病早期发现方法。该方法针对慢性疾病早期发现的具体临床决策支持问题,创新多种领域知识引入手段,实现了对临床多标签、短时序数据的充分利用,显著提升慢性疾病早期发现能力,对五种慢性疾病的提前发现比例达到41.8%至82.9%。研究实现了问题导向下对多标签学习方法的特异性优化,为基于多标签学习开展具体临床决策支持研究提供了案例与路径支撑。综上所述,本研究从理论算法框架、领域需求导向下的普适性多标签学习方法和面向具体问题的针对性优化方法等不同视角,对基于多标签学习的临床决策支持方法进行了研究,实现了不同层次上的方法创新与临床决策支持能力提升,为本领域研究拓展了新方法与新思路。