多标记学习是一类复杂的决策任务,同一个对象可能同时属于多个类别。此类任务在文本分类、图像识别、基因功能分析等领域广泛存在,是当前国际机器学习领域研究的热点问题之一。多标记学习的研究主要围绕降低特征空间和标记空间的复杂性,提高多标记学习算法的精度而展开。邻域粗糙集是Pawlak经典粗糙集的延伸与扩展,摆脱了粗糙集只能处理名义型数据的约束。邻域粗糙集模型有着清晰的分类边界,能够更好的挖掘分类任务的结构。目前已经被应用于特征选择、规则学习和分类器设计等各个领域。但是在多标记学习方面,邻域粗糙集模型还未得到深入的研究。本文利用邻域粗糙集模型的特点,将其应用在多标记学习问题的特征选择和规则学习两个方面。主要研究成果和创新点如下:首先本文提出了基于邻域粗糙集模型的多标记学习特征选择方法。将单标记学习的邻域粗糙集模型扩展至多标记学习中,系统的讨论了多标记学习邻域粗糙集模型的性质,并验证其依赖度和下近似的单调性,进而设计了使用前向贪心搜索策略的多标记特征选择方法。同时引入两种加速机制来提高模型效率,并进行实验验证。通过实验对比及显著性检验验证,一般情况下,该模型在图像、文本和音频等多标记学习任务中是有效的。其次,本文提出了基于邻域覆盖约简的多标记学习的分类规则学习方法。一般的,样本的邻域是采用统一的参数来控制样本的邻域半径,而在邻域覆盖中,不同的样本可以使用不同的邻域半径。因此本文利用邻域覆盖的这个特性,在多标记学习中定义了邻域覆盖,在每个类标下求得邻域覆盖约简,将得到的分类规则进行合并,最终得到了多标记的分类规则。