传统回归任务是指使用一组输入变量来预测单个连续变量,而多目标回归旨在使用一组输入变量同时预测多个连续目标变量。尽管在多目标回归方面取得了很大进展,但仍然存在三个具有挑战性的问题,即如何建模输入特征和输出目标之间的潜在关系,如何探索输入间的潜在关系以及如何探索目标间的依赖关系。本文围绕这三个挑战性问题展开研究,提出了两种有效的多目标回归算法,主要研究内容如下:1.提出了一种学习本地局部实例关联的多目标回归算法。从本地实例构造新特征,以揭示输入输出关系和目标间的依赖关系。首先,采用基于实例的学习方法最邻近回归直接处理多目标数据,为每个实例构建一个局部实例集合。然后,为了利用复杂的投入产出关系和目标间依赖关系,将局部实例集合划分为特征空间和目标空间。此外,以统计的方式获得输入特征和目标的隐式特征。最后,在原始的输入空间中加入隐式特征作为扩展。2.提出了一种结合自注意力机制的多门控专家混合网络的多目标回归算法。多门控专家混合网络不但能学习多个目标之间的关系,还能有效调节多个目标之间带来的部分消极影响,避免目标之间出现跷跷板现象,专注于探索目标间的联系,也就是目标之间的相关性。对于多门控专家混合网络的子专家网络的相关性的捕捉,则依靠基于专家混合网络的自注意力机制去学习输入空间中潜在的隐含关系。在18个基准数据集上进行的大量实验表明,本文提出的方法与具有代表性的最先进的多目标回归方法相比,可以获得具有竞争力的性能。