分类是模式识别的关键问题之一,根据样本所属的标签个数可分为单标签分类和多标签分类,多标签分类在实际应用中相当广泛。多标签分类是指通过训练集的己知样本,建立相应模型,使测试集的每一个样本能够同时对应多个样本标签所进行的分类。已有的RBF神经网络算法并未充分考虑多个样本标签之间的关联性,从而导致泛化性能受到一定程度的影响。针对此问题,本文设计了改进型RBF神经网络的多标签算法,并在公共多标签数据集上进行实验验证,证明了该算法的有效性。本文工作主要包括以下几个方面：(1)简要分析了多标签技术的研究现状以及研究意义,并对如何处理多标签问题进行了归纳与总结。(2)优化了隐含层RBF神经网络基函数中心常用求取算法—k均值聚类算法。采用AP聚类自动寻找kl值,以获得隐含层节点数目,并构造Huffman树选取初始聚类中心,以防k均值聚类结果陷入局部最优。通过多标签实验验证,表明了改进后的方法可以有效的提高多标签分类能力。(3)设计了改进型RBF神经网络的多标签算法。首先分析样本多标签之间的关联性,构造体现多标签之间信息的标签计数向量C,然后与改进k均值聚类后求得的RBF神经网络基函数中心线性叠乘,获取新的基函数中心,建立RBF神经网络模型。通过实验验证,该算法在提高识别性能的同时,也扩大了数据的泛化性能。(4)通过实验验证了改进型RBF神经网络的多标签算法的有效性。在公共多标签数据集emotion和image上进行实验,并与各种算法分析与比较,本文改进的算法在多标签评价指标average precision、coverage、hamming loss、one-error和ranking loss上都得到了提升,实验结果整体表现良好。