近年来,随着现代信息技术的飞速发展,人类进入信息社会,越来越多现实应用领域涉及到多标签学习问题,如文本分类、生物信息学、图像识别等等。传统的单标签学习中,学习对象只隶属于单一类别,而多标签学习中,学习对象可同时隶属于多个类别,并且类别（标签）之间存在着复杂的关联性。多标签学习的目的是准确预测未知样本具有的标签子集,由于标签数量可能巨大且互相之间存在着复杂的关联性,因此,比传统的单标签学习具有更高的难度与挑战。如何发现和充分利用标签之间的关联性是多标签学习研究的核心内容,进而提高多标签学习方法的分类性能。多标签数据集通常由高维的特征向量组成,其中包含了大量冗余和不相关的特征,增加了分类器构造的时间复杂度和空间复杂度。基于此,本文将从多标签学习方法和数据降维两个方面展开研究,主要工作包括以下两点:一、基于贝叶斯网络的分类器链（BNCC）方法。该方法用条件熵来描述标签之间的依赖关系,并建立完全连接的有向网络,其中节点表示标签,有向边的权重表示标签的关联性。BNCC方法利用迭代的方式断开网络中的有向环,将完全连接的有向网络重新定义为有向无环图（DAG）,并在其节点上应用拓扑排序导出初始的标签排序。随后,方法设计一种新的评分函数来评估网络结构的优劣,并引入启发式算法基于初始的标签排序来优化贝叶斯网络。最后,将拓扑排序再次应用到优化后的贝叶斯网络节点上,得到构建分类器链模型的标签顺序。实验比较证明了该方法的可行性和有效性。二、基于标签相关性和BNCC方法的多标签特征选择方法。该方法以最小化损失函数为目标,根据BNCC方法得到的标签次序,引入一个特征参数集,构造基于分类器链模型的条件概率函数模型。基于条件概率最大化原则,构造新的特征选择评分函数,之后再利用互信息对其进行分解和优化取近似值,最后引入启发式搜索策略寻找最优的特征子集。我们以支持向量机（SVM）为基础分类器进行两组实验,一组实验将所提出的方法与两种现有的特征选择方法相比较,另一组实验将所提出的方法与三种分类器链的构建方法相比较。实验比较证明了该方法的可行性和有效性。