近年来,多目标回归学习在生态学和经济学等多个领域中得到了广泛关注,在现实世界中也具有越来越重要的潜在应用价值。多目标回归任务需要对一个样本同时预测多个目标,因此它的主要挑战来自于对输入要素和输出目标变量之间的基础关系进行建模以及探索目标间的相关性。尽管,对多目标回归的研究日新月异,但目前大多数的多目标回归方法都是基于一个公共的输入空间来预测所有的输出目标。然而,每个目标可能拥有它自身独立的特征空间,且每个目标对应的最佳输入要素可能也不尽相同。另一方面,大部分的多目标回归方法在处理复杂的输入与输出关系时,常使用单一的方法对所有目标进行学习与预测。然而在实际场景中,输入空间与目标变量的关系可能是复杂的。针对上述问题,本文提出了基于标签特定特征的多目标回归集成方法,它利用目标间相关性,通过为每个目标构建标签特定特征,来提高算法整体的预测精度;同时利用一种稀疏性聚合函数对各种回归方法进行集成来处理输入与输出的复杂关系。本文的主要研究工作如下:1.为了挖掘目标间相关性,提高预测精度,本文在原始输入空间上扩展了新特征,在单目标堆叠的框架中,通过提升学习的方式,为每个目标学习与其相关的标签特定特征。通过对比实验,证明了标签特定特征的有效性。2.为了对复杂的输入与输出关系进行建模,在标签特定特征的基础上,本文提出基于标签特定特征的集成方法。它通过一种稀疏性聚合函数来选择不同类型的回归方法,对目标进行集成预测。通过含18个数据集的对比实验,证明了稀疏集成的有效性与灵活性。3.为了验证本文算法对实际应用的适用性,本文选择了供应链需求预测这一实际场景进行建模,对远期的商品销售情况进行精确且及时的预测,从而为供应链需求提供准确的数据基础。为了验证模型的有效性,本文在18个数据集上与4种近3年的经典多目标回归算法进行对比实验,实验结果充分证明了本文算法的优越性与有效性。同时,将模型应用到对沙特阿拉伯平市场的供应链需求预测场景中,证明了算法对实际应用的适用性。