随着大数据时代发展,产生了海量多类型、低密度、高维度、结构复杂的数据,当中有一类数据引起广泛关注——多标签数据。目前许多分类算法是处理单标签分类,而对于多标签的样本数据,则须利用多标签分类算法,解决多标签样本数据的分类问题以及排序问题。本文综合应用了标签与标签之间相关性优化策略、拉普拉斯矩阵正则化策略和基于非负矩阵分解的损失函数合理性策略,研究提出了基于拉普拉斯正则化极限学习机的多标签分类算法（ML-Lap-RELM）和基于投影梯度非负矩阵分解的多标签分类算法（ML-PGNMF）,并设计实现了基于标签矩阵的音乐推荐系统。主要研究内容和成果如下:1.利用流形正则化极限学习机的方式由计算样点间的相似度矩阵,结合Lap-ELM计算权重矩阵的策略,并对拉普拉斯矩阵执行正则化,提出基于拉普拉斯正则化极限学习机的多标签分类算法（ML-Lap-RELM）。实验将使用六种多标签分类的评价指标,首先在不同参数条件下寻找分类效果最佳的参数,再与其他多标签分类算法对比验证其更优。实例分析与实验结果共同表明ML-LapRELM算法具有可行性,数据标签划分效果更好。2.针对NMF收敛性能较差的问题,本文使用交替计算结果使得最终结果尽可能地逼近真实结果,提出了基于投影梯度非负矩阵分解的多标签分类算法（ML-PGNMF）。通过PGNMF对原始矩阵分解后使用ML-Lap-RELM算法对高维数据进行多标签分类,验证算法的有效性。通过高维度多标签数据集上与其它降维算法进行对比,验证了ML-PGNMF算法有效可行,其分解矩阵更具可靠性、高效性。3.开发基于标签矩阵的音乐推荐系统,实现了用户模块、音乐播放模块、个性化推荐模块、管理员模块等功能模块,将算法操作进行合理划分,并有效地管理数据。本文研究贡献:通过标签关联性优化提出基于拉普拉斯正则化极限学习机的多标签分类算法;通过特征信息损失函数提出基于投影梯度非负矩阵分解的多标签分类算法;开发基于标签矩阵的音乐推荐系统。