在多标记学习中,每个对象代表单个示例且同时与多个标记产生关联。其最初的研究主要集中于文本分类中的多义性问题,目前已应用至图像识别,语音识别,基因分类等多个领域。现有的多标记学习算法通常假设标记集中标记的信息是完整的。然而,在大数据时代,由于数据集标记的过程繁杂、标注者关注点不同而对一些标记信息的忽略、标注者自身缺乏所需的专业知识等相关因素,导致很难收集到完整的标记集数据,这些缺失的标记信息会对模型的构建产生重大影响,不仅造成模型在这些缺失类别上丧失判别能力,而且会对已知类别上的预测性能产生影响。这种在某些标记类别上信息的完全缺失问题不同于常见的多标记学习中在一些已知类别上局部标记缺失问题,无法通过一些常用的低秩结构、矩阵补全等方法进行标记信息的恢复。为了对这些在某些类别上完全缺失的标记信息进行挖掘,本文提出一种名为MLLHL（Multi-Label Learning with Hidden Labels）算法不仅可以恢复那些在某些类别上完全缺失的标记信息,而且可以对于未知示例同时预测缺失标记和已观测标记。本文首先构建一个由已标注类别和缺失类别组成的完整标记集合,已标注的标记集合可以通过这个完整标记集合经过相应的列选择步骤得到。然后,为了使特征空间中相似示例之间的结构关系在这个完整标记集合中得到保持,对构建的完整标记矩阵添加相应的流形约束。其次,本文在特征空间和这个学得的完整标记空间之间学习一个分类模型,并对模型系数添加相应的约束项,以保持标记之间的相关关系和避免噪声数据的干扰。最终,对于任一未知示例,通过学得的分类模型可在其已标注类别和缺失类别上预测其标记信息。实验结果证明,MLLHL算法相比于其它类似优秀算法取得了更好的性能。并且这些完全缺失的类别标记可以进一步提升模型在已知标记上的预测性能。为了验证所提算法的实际应用效果,本文将MLLHL算法在一些原始文本数据集上进行了实际应用,并取得了良好的实验性能。