一般而言,多标签学习与单标签学习最大的区别在于,多标签数据的标签被组织在一个标签向量中,而且标签之间往往具有很复杂的关联信息。层次多标签分类是一种特殊的多标签分类学习。本文主要研究层次多标签分类方法。在层次多标签分类问题中,一个样本同时被赋予多个类别标签,并且这些类别标签被组织成一定的层次结构。层次多标签分类问题的主要挑战在于:1)分类方法的输出必须符合标签的层次结构约束;2)层次深的节点所代表的标签往往有很少的样本与之相关,造成标签不平衡的问题。针对以上问题,本文的主要研究内容可以分为以下两个方面:1.虽然传统的多标签超网络可以利用标签的关联性有效地解决多标签分类问题,但是由于层次多标签分类中需要满足标签间的层次约束条件,所以传统多标签超网络不能直接用于解决层次多标签分类问题。为此,本文提出了一种用于层次多标签增量式超网络分类算法(Hierarchical Multi-label Classification Using Incremental Hypernetwork,HMC_IMLHN),通过将超网络的超边组织成相应的层次结构,使输出的预测标签能够满足标签的层次约束。2.在层次多标签数据中,标签具有非常复杂的结构,除了有单路径和多路径的区别,还存在其他非常复杂的情况。为了提高算法的鲁棒性和精确度,在层次多标签增量式超网络分类算法的基础上,本文提出一种层次多标签链式集成演化超网络方法(Hierarchical Multi-label Integrated Chain Evolutionary Hypernetwork,HMC_ICMLHN)。该方法首先考虑标签的单路径和多路径情况,其次通过对数据进行聚类,然后采用Bagging算法对数据集进行重构,最后受到ECC算法的启发,用集成方法对层次多标签数据进行分类。为了验证本文提出的层次多标签分类方法是有效的,本文实验部分采用公开的层次多标签数据集进行验证。实验结果表明,本文提出的层次多标签超网络分类方法能够有效地处理层次多标签分类问题。