传统的单标记学习只是用来解决对象的单义性问题,即一个示例仅仅与一个标记相关。然而,现实生活中的对象往往具有多义性,一个示例可能同时与多个标记相关,已有的单标记学习并不能很好地解决该类问题。因此,多标记学习框架被提出来处理该问题。为了提升学习性能,多数研究人员对如何挖掘更多的额外信息加入到模型的训练中进行研究,样本相关性的挖掘与利用在多标记学习中一直是一个核心内容。基于此,本文通过挖掘和利用样本相关性对多标记学习方法展开进一步研究。第一,本文提出一种基于样本局部相似性的多标记学习算法。目前现有的多标记学习方法在利用样本相关性时,都是从全局的角度去计算两个样本的相似性,然后所有的标记共享该相似性,但是这样不符合现实而且会误导模型对于某些标记的预测。在本文中,提出了一种基于样本局部相似性的多标记学习算法。在多标记学习中,决定每个标记的往往只是一部分特征,并且每个标记对应的特征子集可能不同,那么样本在不同标记上所对应的相似性也可能会不同,本文中称其为样本局部相似性,在此基础上构造样本局部相似性矩阵并将其加入到最终多标记学习模型的训练中,可以为训练过程提供更全面且精确的样本相关性信息。为了检验所提算法的有效性,在多个领域上的多标记数据集进行了大量的实验,并与多个多标记学习算法进行对比,实验结果表明提出的算法在性能上有明显的优越性。第二,本文提出一种基于多标记学习的特权标记增强学习算法,将多标记学习应用于标记增强领域,在应用过程中隐式的利用了样本之间的相关性。在标记增强学习中,由于标记增强学习任务是从多标记数据集的逻辑标记恢复隐含的标记分布值,但逻辑标记包含的语义信息相对于标记分布值更简单,在转换过程中,样本相关性的利用尤其重要,在本文中,利用多标记学习为标记增强学习生成额外信息,该额外信息又称为特权信息,这是一种隐式利用样本相关性的方式,能够减少手动化构造引入的不必要的噪声和信息损失。最后应用LUPI框架利用该特权信息构造最终的标记增强模型。在实验部分,在标记分布数据集进行了广泛实验,与目前多个标记增强算法进行对比,实验结果表明本文提出算法的有效性。第三,本文实现了一个基于已提出的多标记学习算法的图像语义标注系统。目前,图像语义标注具有广泛的应用场景,在传统的图像语义标记方法中每次只能识别出一种语义信息,这并不能满足现实生活的需求。一张图像往往包含丰富的语义信息,而人们往往想同时获得这些语义信息,利用多标记学习算法可以解决该问题。目前多标记学习在图像语义标注方面虽然得到了广泛应用,但是现有的多标记学习算法并没有考虑到图像之间的局部相似性,这对图像语义标注非常重要,因此,我们利用本文中提出的基于样本局部相似性的多标记学习算法实现了一个图像语义信息标注系统。