多标记排序任务是多标记分类任务和标记排序任务的结合。在多标记排序任务中,对于一个示例,多标记排序模型需要为它预测预定义标记集上的相关无关标记划分,以及相关标记的相关性排序结果。多标记排序体现了标记的歧义性与偏好性,是对于现实任务的更加具体的建模。然而现有的研究工作中,直接针对多标记排序任务设计的算法并不多,大部分多标记排序算法是根据现有的标记排序算法通过校准标记排序技术进行扩展得到的,很难同时兼顾到分类和排序两方面的表现。此外,多标记排序任务存在类别不平衡、样本数有限、标注信息不充分的难点,因此针对框架特点,探索设计能够直接处理多标记排序任务并且兼顾分类和排序性能的算法具有很强的现实应用价值。受标记分布模型的启发,本文基于标记分布提出了两个新的多标记排序算法:基于标记分布传播的多标记排序LDP-MLR算法,以及基于标记分布PL模型的多标记排序PL-MLR算法。前者利用示例间的相似性信息,通过标记分布传播过程将原始的相关标记排序数据集增强为标记分布数据集,并从中学习一个标记分布模型用于任务预测;后者结合PL概率模型提出一种可以直接从原始数据集中优化的损失函数,并通过神经网络对标记分布建模学习。本文将两种算法应用在两个真实图像数据集上,与五个代表性多标记排序算法进行比较。实验结果显示,LDP-MLR和PL-MLR算法的实验表现显著超过对比算法。本文共分为五个章节。第一章简要介绍了多标记排序任务的研究现状和不足,阐述了本文的研究动机和研究内容。第二章具体给出了多标记排序的问题定义,并详细介绍了若干代表性算法。第三章描述了标记分布模型,并将标记分布与传播方法、PL概率模型方法结合,提出了两种新的多标记排序算法:LDP-MLR和PL-MLR。第四章在两个多标记排序数据集上进行实验,与其他代表性多标记排序算法在多项评估指标上就分类和排序任务的性能进行比较,验证本文提出的两个算法的有效性。第五章对全文内容进行了总结,并提出了后续工作的方向。