近年来,随着多标签学习问题越来越多的出现在实际应用场景中,对多标签问题的研究已逐渐成为涉及领域内的关注热点。随着多标签领域中高维度、冗余信息量大等问题的凸显,使得相关工作中降维研究的位置日益重要。已有的多标签降维方法虽然取得了不错的效果,然而多数方法却并未考虑不同标签之间存在的差异。相关文献指出,各个类别标签可能会拥有一些其独有的属性特征(即类属属性),这些特征仅与对应标签相关,将更有助于判别相应标签。基于上述理论,本文就如何对标签类属属性空间进行特征提取这一目标展开研究,提出了针对多标签领域内降维问题的两种新型算法。主要研究工作如下:(1)以随机子空间的思路为参考,提出新型算法LIFT_RSM用于实现多标签条件下的类属特征提取。该算法参考LFIT算法的设计思路,在各个生成的类属属性空间中运用随机子空间方法挖掘潜在的关联信息,并结合成对约束关系所蕴含的信息用于有效低维特征的提取。对比实验的结果显示:LIFT_RSM算法能够有效提升优化多标签学习的相关效能。(2)提出新型的多标签算法MLLSFE用于实现有效降低类属属性维度的目标。该算法针对每个类属属性空间,借助样本间的自适应邻近关系及成对约束降维思想,通过线性方式将原始高维特征映射到对应的低维投影空间中。对比分析在相关数据集上实验的统计结果能够证明算法MLLSFE的有效性。