标签的质量直接影响着资源的查找、定位与分享的效果,因此进行高效全面的标签挖掘极有必要。在标签挖掘研究中,标签推荐和标签冗余处理是其中的两个重点。针对现存标签推荐方法推荐结果不全面、遗漏隐性标签的问题,提出使用多阈连续条件随机场模型推荐标签,在连续条件随机场的基础上,综合标签间共现率、标签对语义相似度和用户相似性三重阈抽取特征,一并挖掘显性与隐性标签,使用L-BFGS算法迭代计算模型参数,代入建模实现标签推荐。在Bibsonomy数据集上的实验表明该方法可行,与基于连续条件随机场模型和最大熵模型的方法对比结果体现了本文的推荐模型得到的标签更精准更全面且模型的稳定性良好。为了提高标签质量,解决传统冗余标签识别方法的准确度不高的问题,采用了最大熵模型进行冗余标签处理。通过语义相似度阈值提取特征,利用SCGIS算法迭代训练出模型参数,构造模型识别冗余标签。在BibSonomy数据集上的测试验证了方法的可行性,实验结果与核K-Means聚类方法比对说明最大熵模型在处理冗余标签中性能更好,结果更精准。数据集的标签冗余度在本文的冗余处理后降低。最大熵模型在多阂连续条件随机场模型的推荐结果集上的冗余处理实验后,标签质量得到进一步提升。