多标记学习是传统单标记分类的一个自然扩展,通过为每一个样本赋予标记空间的一个子集来表示具有的标记信息,因此对该学习范式的研究不仅具有理论意义,还有广泛的应用价值。目前,面向多标记学习问题的各个方面的研究均有众多的优秀研究成果,本文的研究内容主要侧重于三个方面,其工作如下:首先,在多标记学习中关于特征的研究主要集中在降维领域,在学习更好的距离度量和减少特征噪声的干扰方面仅有少许研究进展,本文针对信息几何度量学习算法为标记空间构造的核矩阵,引入余弦相似性函数与Jaccard相似系数表示两两样本对应的标记集合的相似性,使其适应于多标记学习,并将度量矩阵的Frobenius范数的平方作为正则项以缓解过拟合现象的发生,在多标记数据集上的实验证实了利用度量矩阵计算出的新的样本间距离能够提升多标记分类算法的表现。其次,将多标记分类问题转化为标记间的排序问题后,标记空间中的信息是冗余的,即一些标记信息不能够改善现有算法的性能,但增加了计算代价,针对此问题,本文建立了一个不同的约束,着重关注其不确定性较大的标记,最小化上述约束不满足时引入的松弛项和权重参数的复杂度来实现标记间排序,通过在一些多标记数据集上的仿真实验,证实了算法的有效性。最后,针对排序支持向量机在训练时计算复杂度较高的问题,本文引入加权线性损失来近似铰链损失函数,通过修改目标函数中的正则项使求解更加高效,实验结果显示,与原始算法相比,在评价指标上的表现虽有略微下降,但在计算效率上则有明显优势。