在移动互联网时代,数据信息不仅在规模上飞速增长,其表现形式也呈现出多样性和丰富性。人们往往可以从多个角度对一个物体进行描述,即每个对象不仅可以由多个视图的数据特征表示,而且同时拥有多个类标签。多视图多标签学习就是研究这类数据问题的一个重要框架。因其在实际生活中广泛存在,已成为当今机器学习研究关注的焦点之一。本文围绕多视图多标签学习问题展开研究,以决策级融合的多视图多标签学习算法为核心,旨在通过有效利用每个视图的独特信息以及多个视图之间的相关性来提升算法的分类性能。本文主要研究内容如下:1、针对现有方法易忽略不同数据视图之间信息的互补性和相关性所带来的挑战,提出了一种基于策略融合的多视图多标签学习算法。该方法综合考虑了视图特有特征、多视图一致性、标签相关性以及各视图贡献权重对模型分类性能的影响。首先,学习每个数据视图的低维特有特征矩阵。然后,利用标签相关性和多视图一致性在各视图中分别构建多标签分类模型,并学习每个视图对多标签学习任务的贡献权重。最后,将各视图中的多标签预测结果及视图贡献权重融合得到最终的标签预测结果。在5个公开的多视图多标签数据集上进行实验,结果表明算法的综合性能较优。2、现有方法的不同视图之间缺少通信,因此很难挖掘到真正的视图共享信息,易导致模型分类性能不佳,针对这一问题,提出了一种基于视图共享和特有特征的多视图多标签学习算法。该方法将样本特征分为共享特征和特有特征两个部分,利用对抗神经网络提取视图共享特征,通过聚类集成方法提取视图特有特征。该方法不仅增强了不同视图之间的通信,同时保持了其各自的独特信息。通过在真实的多视图多标签数据集上进行实验,验证了该方法的有效性。