在传统单标签学习任务中,每个样本只与一个标签有关。然而,多标签学习任务中的样本可能同时与多个标签相关。多标签学习方法在不同领域的应用越来越常见,比如文本分类、基因功能分类和语义场景分类等。分类和特征选择方法的研究是多标签学习领域的两大基本问题。对于分类任务,本文提出了基于决策关联性的多标签模糊近邻分类算法(MLSNN和MLASNN)。首先,为了降低标签空间维度和避免标签重叠现象,根据决策关联规则划分组合标签为标签子集。然后,将多标签转换为单标签数据集并且训练模糊近邻分类器进行标签预估。最后,根据决策关联规则输出标签预估集和与其关联标签的并集。实验结果表明,本文提出的分类算法在性能上优于其它传统多标签分类算法。对于特征选择任务,本文提出了基于决策关联性的多标签模糊粗糙特征选择算法(AMLFRFS)。为了充分考虑数据集标签间的相互关系和降低标签空间维度,根据决策关联规则划分组合标签为标签子集。然后,将划分后的标签子集看作模糊粗糙特征算法中的类别进行特征选择过程。实验结果表明,本文提出的特征选择算法的性能优于其它传统多标签特征选择算法。转化率预估模型是计算广告学领域中重要的多标签学习任务。为了提高转化率预估模型刻画转化率指标的准确性和全面性,本文提出了基于决策关联性的转化率预估算法。首先,为了充分融合所有转化组件的信息,通过决策关联规则得到每个转化组件的权重。然后,根据权重对不同转化组件进行标签融合。最后,使用标签融合后的样本训练神经网络模型并且进行转化率预估。A/B测试实验表明,本文提出的算法在相关指标上优于传统转化率预估算法。