真实世界中事物是复杂多样的,单一语义无法描述事物蕴含的丰富信息。为了描述事物丰富的语义信息,多标记学习应运而生并广泛应用在多种领域,例如文本分类、场景分析等。多标记分类学习的任务是学习一个模型,该模型为未知实例预测出一组相关标记。标记之间存在某种联系使得多标记学习难度高于多分类学习。为了使模型具有更高准确性和泛化能力,本文从标记独立和标记关联增强两方面对多标记分类展开研究,主要研究工作如下:（1）基于集成的标记独立的多标记分类方法。LIFT[1]是一个标记独立方法,该方法的不足在于训练阶段使用了可能会陷入局部极优和在高维数据上不稳定的k-means方法做聚类。本文提出采用集成的方法缓解上述问题从而使模型具有更高的准确性和泛化能力。具体地,该方法首先在训练阶段采用Bagging方法为每一个标记训练多个“好而不同”的分类器。其次,不同的分类器根据其自身损失自动求得权重。最终,在预测阶段,未知样本的最终结果由在多个分类器上的结果加权平均得到。实验结果表明集成后的标记独立分类方法有更好的性能。（2）基于标记独立和标记关联增强融合的多标记分类方法。本文提出一种标记关联增强的方法,并将其和标记独立方法相融合联合解决多标记分类问题。该方法以标记独立分类方法为基础,引入虚拟相关标记（与所有相关标记有关）和虚拟不相关标记（与部分难分不相关标记有关）并以标记排序的思想约束两个虚拟标记之间存在较大间隔从而实现相关标记和不相关标记的分离。实验结果表明该方法在准确性和泛化性上皆有提升。