为了对林地土壤资源进行合理利用,并使得种植的农作物与林地土壤类型相适应,科学有效地分析林地土壤元素必不可少。因此,本文利用广西林科院提供的广西林地土壤元素数据集对广西林地土壤进行分析,首先使用改进的多标签特征选择算法对林地土壤元素数据集进行预处理,筛选出对林地土壤分析中的重要特征,然后使用改进的MLKNN算法对土壤从肥力、类别、质地和酸碱度四个方面进行分类,最后在此基础上实现基于多标签的林地土壤元素分析系统。经过总结,本文主要的研究内容如下:（1）针对现有的多标签特征选择算法没有考虑同标签相关度较低的特征也可能是重要特征和标签权重的问题,本文提出了基于子集合的多标签特征选择算法（MFSWLS）。MFSWLS算法首先计算标签的权重,再计算特征与权重标签的相关度并进行降序排列,然后将特征集合划分为几个子集合,分别在每个子集合中计算特征与标签之间的冗余度并降序排列,最后在每个子集合中取一定比例的特征,融合各子集合的特征得到一组新的特征集合。通过实验证明,MFSWLS算法对林地土壤元素数据集预处理的效果优于其他五种多标签特征选择算法。（2）针对K-Means算法随机选取初始聚类中心导致聚类结果不稳定的问题,本文提出了改进初始聚类中心的K-Means算法（ICCK-Means）。ICCK-Means算法首先计算各样本之间的相关度,将相关度小的样本剔除,然后选取初始聚类中心,根据欧式距离划分相应的类簇,最后对聚类中心和类簇进行不断的更新直到所有的聚类中心不再改变。通过实验证明,ICCK-Means算法与改进的ML-KNN算法结合的效果更好。（3）针对ML-KNN算法没有考虑最近邻样本和其他近邻样本与待测样本距离不同导致相似度也不同,以及ML-KNN算法处理大数据集耗时长的问题,本文提出了基于ICCK-Means聚类的ML-KNN算法（IWML-KNN）。IWML-KNN算法首先使用ICCKMeans算法对训练数据集和测试数据集进行聚类,然后统计训练样本的先验概率和条件后验概率,根据训练样本与最近邻样本之间的距离得到权重,最后根据最大后验概率原则和贝叶斯公式计算待测样本属于某个标签的后验概率,再利用新的分类器函数预测待测样本的标签集合。通过实验证明,IWML-KNN算法优于其他改进的ML-KNN算法。通过对以上三点的研究,本文对广西林地土壤元素数据集的测试数据集样本进行了分类,准确率达到88.7%,并在此基础上完成了基于多标签的林地土壤元素分析系统的设计,实现了原始数据集展示、特征选择后数据集展示、土壤分类结果展示、土壤元素分析预测展示四个模块,经过验证系统能很好地分辨出林地土壤的具体类型。