近年来,随着硬件计算能力的提升和有标注数据的增长,人工智能领域的相关研究迎来了新一轮的快速发展。多标记学习作为人工智能领域的重要分支成为了当下研究的热点问题之一。为了提升多标记学习的性能,学者们分别提出了标记相关性（Label Correlation）和类属属性（Label-Specific Features）。在真实世界中,标记之间往往具有相关性,例如“吸烟”和“肺癌”呈现强相关。标记相关性假设相关性较高的标记有更高的几率同时出现在一个样本中,通过标记相关性约束多标记学习可以使模型捕获标记间潜在的关联信息。此外,不同的标记通常拥有不同的特征,如“花”和“绿叶”两个标记常常出现在同一个样本中,但两者的特征截然不同。为了充分考虑各标记的独有特征,学者们提出了多标记类属属性学习。现有的多标记学习算法大多考虑对称的标记相关性,部分类属属性学习算法也利用对称的标记相关性提取类属属性。然而,在真实世界中,相关性通常是非对称的。基于此,本文提出了基于因果推断的多标记学习改进算法,主要工作如下:（1）忽略非对称相关性会在模型中引入冗余信息,从而导致分类器的性能损失。针对这一问题,本文提出了一种基于因果推断的多标记学习算法,通过联合学习标记相关性和标记因果关系考虑非对称相关性,并利用非对称相关性构建多标记分类器,对比实验的结果表明考虑非对称标记相关性可以减少模型中的冗余信息并在一定程度上提升多标记分类器的性能。（2）常见的类属属性学习算法通过度量欧氏距离或使用7)-范数稀疏化权重矩阵提取类属属性。随着数据维度的不断增长,欧式距离的度量效果也在逐渐变差,导致基于欧式距离的类属属性学习算法无法有效区分不同特征的重要程度。使用7)-范数提取类属属性则依赖人工参数选择,过高或过低的稀疏性都会导致分类器性能不佳。为了解决上述问题,本文提出通过考虑特征与标记之间的因果关系提取类属属性,对比实验的结果验证了该方法的有效性。（3）因果推断算法对数据的分布较为敏感,且常见的因果推断算法仅适用于连续型数据或离散型数据。在多标记学习中,标记数据通常是离散且稀疏的,离散型的标记数据和连续型的特征数据之间存在较大的差异,直接推断标记和特征之间的因果关系往往效果不佳。为了更有效的推断标记和特征之间的因果关系,本文提出使用标记增强处理原始的离散型标记,并使用增强的连续型标记推断标记和特征之间的因果关系,实验结果验证了该方法的有效性。