多标签分类近年来由于在影像分类、社交网络数据挖掘等许多领域得到广泛应用而引起关注,从而成为人工智能领域的一个重要研究内容。不同于传统的单标签分类任务中每个样本实例只与一个标签关联,多标签分类任务的目标是输出一组关联标签,每个样本实例与多个标签关联。本文针对车载视频研究多标签分类方法,包括车载视频的特征提取及其多标签分类算法。主要创新点如下:1.给出一种面向车载视频的特征提取方法。为了研究车载视频特征提取问题,需选取合适且具有代表性的特征,设计一种面向车载视频的特征提取方法。该方法能实现全面准确的视频特征提取,为视频的多标签分类打下基础。面向车载视频的特征提取方法分为两个步骤:视频预处理和视频特征提取。预处理主要对视频进行灰度化,降低内存消耗;以及对视频进行滤波操作,去除视频采集、存储等过程中的噪声影响。视频特征提取主要对视频中主要物体的边缘特征、道路的车道线特征进行检测。2.提出一种基于降维的车载视频多标签分类算法DR-ML-KNN(Dimensionality Reduction based ML-KNN),研究高维数据的多标签分类问题,减少在数据规模庞大的训练集中寻找待测样本近邻的时间。该算法以传统的MLKNN(Multi-Label K-Nearest Neighbor)为基础框架。但是,若按照固定帧率提取特征会导致训练集合规模庞大,且每一帧视频图像的特征矩阵维数会较高,故引入降维的思想。对视频的特征样本集的转置矩阵进行降维,去除高度相似的样本,减少数据冗余。利用伯克利车载视频数据(BVRD)的5个不同数据集进行实验,表明了该方法能够有效提升标签预测的准确率,并且减少约50%的运行时间。3.提出一种车载视频增量式多标签分类算法IDR-ML-KNN(Incremental Dimensionality Reduction based ML-KNN),研究高维特征数据的内存消耗问题,在保证特征完全提取的情况下,节省特征的存储空间,提高算法运行效率。该算法是以基于降维的多标签分类算法DR-ML-KNN为基础框架。考虑到流式视频数据对内存要求会越来越高,引入基于增量切空间校准的自适应流式大数据学习算法。对新增车载视频数据以增量方式存储,降低内存消耗,提高效率和准确性。利用伯克利车载视频数据(BVRD)的5个不同数据集进行实验,表明了该方法能够提高标签预测的准确率,并减少算法执行时间。