多标签学习是现实中普遍存在的问题。在多标签学习中,一个未知的样例所拥有的类标签数不能预先知道。传统的多标签学习算法把多标签学习任务划分成多个单标签学习任务。但是,这种模型没有考虑不同标签之间的依赖关系,并且这种模型的表达能力也很弱。多任务学习也有重要的研究意义,通常多任务学习比单任务学习表现的更好。本文提出了两种将RNN应用于多标签分类的方法。一种是基于LSTM的RNN多标签分类器,这种模型通过RNN学习出一个样例特征的表示,然后利用这个表示学习多标签向量。另一种是基于注意力机制的RNN多标签分类器,这种模型通过Encoder学习样例特征表示,Decoder每个时刻学习出一个类标签。由于Decoder是RNN结构,这种多标签分类器能有效学习标签之间的依赖关系。Decoder中还使用了注意力机制,这种结构能将类标签和最与其相关的特征属性联系在一起。除了以上两种方法之外,我们还提出了将RNN重复隐藏层用卡尔曼滤波器替代的模型。由于卡尔曼滤波器的滤波功能,这种结构能有效过滤系统噪声。并且这种结构在估计RNN隐藏层状态时加入了系统新息,这使得RNN的信息能够有效的传递。通过对不同数据集实验,结果表明我们的模型能够比现有的多标签分类方法表现的更好。对于多任务学习,本文提出了基于公有和私有特征的RNN多任务学习模型。为了学习公有和私有特征,我们使用两种方法。一种是通过一个基向量将样例映射成两部分信息,一部分是公有信息,另一部分是私有信息。另一种是用RNN学习任务之间的公有特征,然后将公有特征补偿到每个任务的学习中去。实验结果表明,我们的多任务学习模型能够有效学习任务之间的关系。