在多标签分类问题中,每个样本同时对应多个标签构成的标签集合。多标签分类问题与传统的分类问题最主要的不同在于传统的分类是假设标签之间两两互斥,而多标签分类中标签之间是相关的。很显然,在实际应用中,多标签分类学习更具有一般性。由于多标签分类中标签之间是相关的,那么有效地利用标签相关关系能够提高分类性能。在目前大部分利用标签相关性的方法中,常把标签作为树型或者图结构来挖掘标签共存相关性。然而在很多实际问题中,标签之间并没有如此结构。另外这些方法不能准确地描述数据集中某些标签组合隐含的互不共存的关系。本文提出了一种新的基于标签相关性的多标签研究方法,基本思想是基于欧式距离度量方法找到标签之间的距离信息,用标签之间的距离来描述标签集合中某些隐含的标签互不共存关系。并且在现有的多标签算法中加入这种标签互斥关系的思想,得到多个较好性能的改进算法。本文主要研究内容如下：1.设计了改进的RAKEL(RAndomk-labELsets)算法。在RAKEL算法中,随机性地从标签集合中选择标签构造新的标签子集学习相应的单标签分类器,这种方法并没有充分利用标签之间的关系。本文针对这一缺点,在构造标签子集时,选择互不共存的标签组合来构造相应的训练集。实验表明,改进后的算法分类性能提升。2.设计了改进的CC(Classifier Chains)算法：在CC算法中,分类器中链式标签的顺序是随机的,也没有充分地利用标签之间的关系。基于此,本文提出在构建标签顺序的过程中,引入标签的互斥关系,强化标签之间的联系,提高CC算法的泛化能力。实验表明,改进后的方法分类性能提升。