随着移动网络技术的进步和智能设备芯片的快速发展,信息交互方式逐渐从传统的用户被动接收信息的模式转变为用户主动生产信息的模式,短视频作为用户生产内容的代表在大数据时代应运而生。短视频作为多媒体数据具有天然的多模态特性和丰富的语义信息,但这些复杂的数据背后往往会存在着噪声和相关性信息,对于其正常应用会有一定的影响。因此,有必要对庞大的短视频数据进行有效的特征表征和语义理解。本文基于低秩表征学习理论,针对于短视频的多标签分类问题,进行了如下研究工作。针对短视频在特征表征过程中的潜在标签相关性匹配度不高的问题,本文提出了一种基于语义嵌入低秩表征的短视频多标签分类模型,更好地利用原始标签的语义信息提升特征表征过程中的相关性,进而得到语义嵌入后的特征表征形式。与以往的原始特征直接附加低秩约束不同,本算法将语义嵌入后的特征进行低秩约束。此外,模型灵活应用数据集中的相关性信息进一步贴合多标签分类的需要。在大样本数据集上的实验结果证明了语义嵌入低秩表征的有效性。针对多模态短视频可能出现的潜在语义分布不均衡的问题,本文提出了一种基于多模态对偶低秩分解的短视频多标签分类模型。为了学习更加完备的短视频表示,模型利用不同模态之间的互补性和一致性,学习到了低秩约束下的共享模态和具体模态表示,同时可以解决短视频每个模态描述能力有限的问题。为了捕捉潜在的标签表示,模型引入了稀疏正则化多方差正态估计项来同时编码标签和特征维度之间的潜在相关性结构,使得整个模型更加适用于多标签学习的需要。在大样本数据集上的实验结果证明了多模态对偶低秩分解的有效性,并优于现有大多数算法。