随着时代的发展，人工智能进入到人们的生活，分类技术越来越成为人工智能领域中的研究热点。根据标记样本集对应标签的数量，分类问题可以分为单标记和多标记学习，而现实生活中的许多分类问题都可以被视为多标记学习问题。
　　多标记学习的主要任务是在给定样本数据集与标签数据集的基础上，建立一个多标记的分类器模型，并以此对样本集中的未知实例进行预测。但是传统的多标记学习存在一个主要的问题：仅仅对实例中的多种标签进行了识别，没有充分利用标签之间关联性，从而影响了各项指标的评定。RBF多标记神经网络学习算法是典型的多标记学习方法之一，本文对RBF多标记学习算法进行研究和改进。主要研究内容如下：
　　(1)针对传统的RBF多标记学习算法忽视不同标签之间的关联性问题，提出一种输出优化型ML-RBF算法。在聚类阶段，利用不同样本中心到所有样本中心的距离来进行关联性分析，分两次进行聚类，首先对相同标记样本进行K-means聚类，其次对全部样本进行K-means聚类；同时设计分段基函数，在上述的两种聚类结果中进行分步求值，从而获得标签之间的关联度值。
　　(2)提出基于粒子群算法的PSO-ML-RBF多标记算法。该方法没有从多标记学习算法模型出发，而是通过优化神经网络权重方面提高多标记学习算法的各项指标。利用粒子群算法和模糊c均值方法，在ML-RBF算法中对基函数中心参数进行优化，并调整ML-RBF算法中神经网络中隐藏层到输出层之间的权重，从而达到对多标记学习算法的优化。
　　(3)通过实验对输出优化型ML-RBF和PSO-ML-RBF进行分析和验证，在多个公共数据集上，改进的算法在汉明损失、一次错误率、覆盖率、排序损失和平均精度上均取得了良好的效果。