分类作为数据挖掘的主要任务之一,能对海量数据分门别类,方便人们快速检索数据,抽取有价值的信息。根据样本关联类别数量的不同,分类问题可分为单标签分类和多标签分类。多标签分类中,若标签空间中的标签之间有明确的层次关系,则称为层次多标签分类。标签的层次结构分为树形结构和有向无环图结构,目前的研究主要针对树形结构。现有的树形标签结构的层次多标签分类算法,大多不能充分利用标签层次结构信息进行模型的训练,导致模型的预测性能不够理想,且预测结果不能直接满足层次限制。另一方面,随着大数据时代的到来,越来越多的学者和机构都在着力研究现有算法的并行化,使其能借助分布式并行计算平台有效地进行海量数据集的训练。在上述研究背景下,本文提出了一种基于随机森林的全局层次多标签分类算法RFPCT-HMC,并基于Spark平台实现其并行化。本文主要工作如下:（1）提出了一种基于随机森林的全局层次多标签分类算法RFPCT-HMC。算法在以预测聚类树为基分类器的随机森林模型的基础上,使用层次性的标签权重方法和标签阈值选择策略,充分利用标签层次关系进行模型训练。层次权重为不同层次上的标签赋予一个不同的权重;标签阈值选择策略为每个标签都设置一个不同的阈值,能使预测结果自动满足层次限制。（2）基于Spark平台实现了 RFPCT-HMC算法的并行化。针对数据并行化方面的优化,采用了垂直数据分区方法和数据多路复用方法;针对任务并行化方面的优化,采用不同的任务调度器来调度DAG中的任务。此外,每个基分类器在训练之前还对自己的训练集进行了特征降维处理。该并行化实现不仅提高了RFPCT-HMC算法的可扩展性,使之能有效的用于大规模数据的处理,还减轻了分布式环境中大规模数据集的数据通信代价和负载不平衡问题。