多标记问题在现实世界的大量应用中普遍存在，现在已经成为机器学习和数据挖掘两个相关领域的研究热点。多标记学习的提出为多义性对象的复杂化问题提供了一种有效的解决方法，目前已存在大量的多标记学习算法，并在文本分类、生物信息学、自动视频注释、场景分类和许多其他领域广泛应用。然而，现在的解决多标记学习问题的方法侧重于利用传统的监督学习框架，其做法通常可以分为三种：第一种是把多标记学习问题转换为多个两类分类问题，其中每个标记对应一个二分类问题，这种方法适用于不是很明显的范畴，在样品丰富的情况下性能将是更好的，但更容易遇到标记样本稀疏的问题；第二种是多标记学习问题转化为标记顺序问题，这种方法重点在于对标记之间进行正确的排序，但它需要额外的学习阈值函数来获得相关标记的最终集合，但是通常比较难获得这个阈值函数；第三种是标记之间的结构信息和多标记问题研究相结合的方法，这种方法在合理使用结构信息时，可实现很好的性能，但缺乏领域知识指导时，几乎不知道如何使用结构信息较好。基于以上方法，本文以提高分类精度为切入点，通过对多标记示例集的定义和提取，基于近邻加权及多示例的多标记学习算法的提出，多标记与半监督学习算法的结合，进行了为提高多标记学习算法精度的深入研究。本文进行的主要研究工作和提出的创新点总结如下：1、多标记学习中问题转化的研究。现有的多标记算法中存在将多标记问题转化为多标记多示例问题的思想，这在一定程度上提高了多标记学习的分类性能，但在时间复杂度、分类精度等方面仍可以进一步提高。引进KNN(K-Nearest Neighbor)和加权方法，对每一个可能存在的类别标记，确定集合中属于这一类别标记的K个近邻样例，近邻给予加权再取平均后得到平均向量，样本就转化成数据包的形式，来保持数据整体分布的局部特性，提高分类的准确度。2、基于数据集中存在的大量未标记样例的多标记问题的研究。在现实世界的问题中，往往更容易获得大量未标记数据，每个对象都具有一个以上的标记，这大大增加了获得已标记数据的难度。因此，针对基于大量未标记数据的多标记学习研究，使用半监督学习将提高多标记分类的性能。将协同训练(Co-training)思想应用于多标记学习中，在数据集上选取局部和全局KNN进行训练得到两个不同分类器，分类器标记未标记样例并更新训练集，过程连续迭代，直到训练完成，从局部和全局的角度考虑训练集，以提高分类精度。