在传统多标记学习中,每个对象由单个特征向量构成的示例表示,学习系统的目标是构建由示例空间至标记空间幂空间的映射。一般而言,对象的特征表示对于学习系统的泛化性能有着重要影响。如何突破传统的单特征向量表示,提升多标记学习系统泛化性能,值得进一步深入研究。本文围绕多标记特征表示开展研究,主要做了如下两方面的工作:一方面,“类属特征（label-specific features）”表示通过为每个标记构造一个合适的特征向量,是提升多标记分类系统泛化性能的有效途径。然而,已有类属特征构造方法往往忽略标记之间存在的相关性。为此,我们提出了一种面向标记相关性利用的多标记类属特征学习方法Reel。该方法首先利用正负样本划分集合和k均值聚类分析提取出各个标记的类属特征中心点,并利用原样本到各中心的欧氏距离来构造不同标记对应的类属特征。然后,通过构造部分L1正则损失函数来引入其他标记的有效信息,从而利用标记之间存在的相关性。实验结果表明,Reel相比于已有类属特征多标记学习方法具有更优的分类性能。另一方面,在许多真实应用场景中,多标记对象往往具有“多视图（multi-view）”特征表示且含有标记噪声。本文提出了面向多视图特征的多标记学习方法Gradis。该方法首先通过融合多视图特征表示构造训练样本的近邻图,采用标记传播方式估计标记置信度。然后,通过谱聚类分析获取多视图特征的嵌入表示,构造多标记分类模型。相较于已有的多视图多标记学习方法,Gradis方法在多个人工数据集和真实数据集上表现出较好的性能优势。本文一共分为五章。第一章介绍多标记特征表示的研究背景、相关工作以及待解决的问题。第二章介绍多标记类属特征技术,并提出面向标记关系利用的类属特征学习方法。第三章介绍多视图场景下的多标记学习,并提出面向多视图特征的多标记学习方法。第四章总结全文。