多标记学习已成为机器学习的热门研究领域。在多标记学习任务中,标记相关性和标记增强作为两个重要的研究方向,吸引了众多学者的关注。本文针对这两个研究方向目前存在的不足展开了研究,具体研究内容和研究意义如下:标记相关性:Binaryrelevance（BR）是最广泛使用的多标记学习方法。BR通过针对每个标记构建一个二分类器,从而将多标记学习问题转换为一组二分类问题。BR简单直观,但是在构建模型过程中缺乏对标记相关性的利用。为了解决这个问题,Dependent binary relevance（DBR）和其他算法通过在训练时将其他的标记视为额外的特征作为分类器的输入以引入标记相关性。因为每个标记有其最相关的标记子集,这些算法可能只能找到多标记学习的次优解。因此,本文提出一种名为 SMLS（Stacking model with labe l selection for multi-label learning）的两层堆栈式算法用以发掘恰当的标记相关性。在第一层,SMLS首先以BR的形式构建一组二分类器。在第二层,SMLS针对每个标记找到其对应的特定标记子集,并将其扩展到特征空间。通过在扩展后的特征空间上训练得到第二层的二分类器。在大量基准数据集上的实验表明,SMLS取得了优异的分类性能。和DBR相比,SMLS不仅在时间上更加高效,而且鲁棒性更强。标记增强:大多数多标记学习算法将每个标记视为逻辑型。但是在现实生活中,逻辑型标记无法描述该标记对于样本的重要性。标记增强过程的目的在于通过将逻辑型标记转换为数值型标记,从而向学习系统提供更多的信息。近年来,学者们提出了许多标记增强算法。尽管这些算法在重建数值型标记的任务中取得了一定的效果,但是在重建过程中,标记信息并没有得到很好的利用。因此,本文提出了一种能够同时利用特征信息和标记信息的名为AGLEML（Adaptive graph based label enhancement for multi-label learning）的多标记增强算法。首先,AGLEML同时学习了拓扑结构和数值型标记,并在此过程中同时利用了标记信息和特征信息。随后,AGLEML 在 Multi-output support vector regression（MSVR）的基础上设计了预测模型。在大量基准数据集上的实验表明,AGLEML取得了优异的分类性能,同时能够有效地从多标记数据中重建标记重要性。