多标签分类问题是一种在当今现实生活中普遍存在的分类问题,而随着机器学习技术与人工智能的发展,大数据时代的来临,现今多标签分类技术已经广泛应用于基因分类,文本分类,音乐分类,数据挖掘及图像分类,也越来越受到国内外学者的重视,成为了一种十分重要的分类问题的分支。多标签分类问题的概念来源于与传统分类问题之间的比较,在传统分类问题中,一般问题中仅仅具有两个标签,并且每一个样本都会属于其中一个标签,而多标签分类中,标签总数一般超过两个,而且对于每一个样本来说,其所属的标签数目一般是不定的,这就使得多标签问题变得更加难解决。现实中,分类问题由于样本的重叠训练和标签的相关性,会导致分类错误,而在多标签问题中,这样的情况也会出现。而现今的一种最广泛应用于解决多标签分类的方法——Binary Relevance算法能够较好的解决多标签分类问题,但是其在分类过程中忽略的标签关联这一对多标签分类十分重要的信息。所以本文提出了一种基于标签关系和分类置信度的算法,旨在利用训练样本信息,提取出标签关联度,并利用标签关联以动态权重的策略结合分类部分以提高分类准确率。本文的基本思路如下,首先利用Binary Relevance将多标签问题转化为多个独立的二分类问题,利用概率输出支持向量机得到每个样本关于任意标签的分类概率。然后根据训练集的先验情况,通过提出的标签关联度抽取模型,计算得到标签间的关系,再依据每一个样本的分类置信度,确定分类器输出概率与标签关联的结合权重。再利用二分类结果,标签关联,和结合权重,依据提出的结合模型,得到最终的分类概率。最后,利用得到分类概率进行样本排序,再利用训练集的交叉验证得到合适的判决门限,进而得到每一个样本所属的标签。本文的实验部分,对三个常用的多标签分类数据进行了仿真验证,并将实验结果与三种常用的多标签问题解决算法——C4.5,朴素贝叶斯分类器,基于BR的SVM分类算法相比较。以其结果证明本文提出的方法在分类准确率方面具有较为明显的优势,是十分有效的多标签分类问题的解决算法。