人工智能技术的高速发展,极大地改变了传统决策模式,数据中潜在的关联规则与因果关系,使得数据驱动的机器学习算法在军事、经济、工业等领域有广泛的应用。分类算法通过有监督的方式对离散型随机变量建模并预测,是当前机器学习中非常重要的研究领域,能有效解决实际生活的各种预测模型与评估分析的问题。传统的分类算法通常只对一个标签进行预测,然而在实际应用中各样本可能由多个标签标注,现实场景面临的复杂情况已经不能仅仅依靠传统的单标签分类方法得到解决,于是多标签分类应运而生。当前针对多标签数据集的主要处理方法分为基于问题转化和基于算法转化两大类,由于在很多应用领域中使用基于传统方法得到的多标签分类算法得到的效果有待提升,于是越来越多的研究试图通过考虑标签以及特征之间的相关性等数据关系以提高算法在多标签分类问题上的性能与计算效率。本文基于聚类、相关系数、信息熵等计算,针对多标签数据集中标签和特征等方面进行分析,从标签分区、特征选择、以及特征与标签数量的关系等展开研究,进一步改进基于多标签分类算法的预测效率及准确度,对真实案例建模并预测。论文主要从以下几个方面展开相关工作:（1）基于多标签共现图的标签分区算法研究。针对低阶多标签分类算法不能很好地挖掘多标签隐式特征信息、使用标签组合容易造成模型过拟合等问题,首先使用基于共现图聚类的分区方式挖掘标签间相关性,然后通过标签组合构造的新类进行预测,最终在数据集上验证算法性能得到有效提升。（2）基于多标签熵的特征选择算法研究。针对当前多标签特征选择对标签相关性考虑不全面、而基于信息论的算法仅从互信息等角度进行选择特征的问题,首先基于Pearson相关系数计算任意两个特征之间的相关性,并去除线性相关的冗余特征,然后使用任一特征和标签集之间的近似联合互信息衡量不同特征的重要性,对特征重要性进行排序并测试不同特征数对算法的影响,最终在数据集上验证通过不同多标签特征选择方法选取特征的结果。（3）基于特征与标签数量关系的多标签建模方法研究。针对真实具体预测问题进行建模,探究特征与标签的数量关系,权衡并确定建立模型的特征数与标签数,然后对本文提出的面向多标签分类的标签分区与特征选择算法进行集成,验证本文提出方法的有效性。