多标记学习可以很好的对多语义信息进行表达,在文本内容分类,音视频内容分析,图像标注以及生物基因预测等领域都取得了广泛应用,也是机器学习中热门研究领域之一。目前多标记学习的发展主要面临三个挑战:标记输出空间规模随特征维度的增加呈指数型爆炸性增长;对标记相关性的挖掘利用不够充分与精细,当训练数据集中存在大量缺失标记时,会制约算法的分类性能;对于相关性标记之间的排序信息考虑不够充分;针对上述研究挑战,结合目前多标记学习整体研究方向,本文主要工作如下:(1)针对目前大多数多标记学习算法在预测不同标记时都是基于同一特征空间,并没有对与每个标记最为相关的特征进行考虑的问题,本文基于ML-KNN算法的基本思想提出了一种基于标记特定特征并融入标记相关性的多标记学习算法MLF-KNN。该算法为每个标记构造其相关的特征信息从而构造基本标记特定特征空间,同时通过L-1稀疏正则化的形式引入与其它标记的相关性。实验结果表明,MLF-KNN算法在多个公开数据集上表现优异,具体在真实图像标注场景中,也取得了优秀的标注性能。(2)MLF-KNN算法与其它大多数多标记学习算法类似,在利用标记相关性时所考虑的是全局相关性,并未对局部标记相关性进行考虑,但这两种相关性往往会同时出现。针对这个问题,在标记特定特征空间基础上引入标记流形正则器同时对全局和局部标记相关性进行考虑。另外针对标记空间中经常存在大量缺失标记的情况,也创新性的引入隐标记低秩矩阵的形式对标记空间进行表达,低秩矩阵为缺失标记修复提供了自然的解决方案。实验结果表明该算法在标记缺失的情况下相比其它多标记学习算法取得了良好的标记分类能力和图像标注能力。(3)上述算法所关注的是标记预测分类能力,并未考虑相关标记之间的排序信息。在图像标注场景中,一个良好的相关标记排序信息对于图像标注是非常重要的。基于此研究点,引入标记排序评价指标Pro Loss,在考虑标记特定特征的同时通过交替方向乘子法对排序指标进行优化。实验结果表明该算法在保持标记预测能力的同时,在Pro Loss评价指标上表现优异,在真实图像标注场景中,该算法在标注性能和相关标记排序性能都取得良好的表现。