根据样本拥有的标签数,可将分类问题分为单标签和多标签分类问题。传统的多标签分类方法主要对单个的性能标准或启发式函数进行优化,但实际上在很多多标签分类问题中,需要同时对多个不同的目标进行协调,因此本文主要研究对多个目标进行优化的多标签分类算法。针对带有拥挤距离机制的非支配排序遗传算法(NSGA-Ⅱ)存在非支配解集分布不均匀和重复个体较多等问题,本文提出一种基于向量空间模型的遗传算法VSGA。该算法将向量空间模型引入到进化多目标优化问题中,形成了一种以目标权重向量间的夹角值作为分布性估计的排挤制度,并对重复个体进行剔除。仿真实验结果表明,与NSGA-Ⅱ相比,VSGA得到的Pareto前沿更加光滑,非支配解的分布性更好。针对优化目标不一致或相冲突的多标签分类问题,本文提出了一种基于进化多目标优化的多标签分类算法ML-EMO。该算法首先随机生成一组规模系数不同的ML-RBF分类模型,并以分类评价标准作为优化目标,然后使用上述算法VSGA对该组模型进行优化并产生一组较优的ML-RBF模型,并用该组模型对测试数据集分别进行分类,最后通过多数票决法对分类结果进行统计。ML-EMO可以根据产生的较优模型集灵活地构建多种预测模型,为不同的应用场景提供了更加有意义的分类结果。仿真实验表明,与ML-RBF、BP-MLL、ML-kNN、Ecc这四种经典的多标签分类算法相比,ML-EMO算法在七种常见的性能评价标准上的排名更好。