近年来,随着网络技术的蓬勃发展,数据以数据流的形式大量产生。对于数据流的研究受到越来越多的学者重视。与此同时,在传统的机器学习分类框架下,每个实例分配一个单独的标签。然而,在真实世界中的数据常常被分配到多个不同的类别中,所有的这些类别构成一个实例的标签集合,如果省略其中一个标签,实例的信息就会不完整。为了应对真实数据的多义性,多标签学习任务应运而生。现实数据环境下,多标签学习任务由于存在大量冗余特征导致其计算复杂度提升,分类性能降低。一种有效的解决方式是对多标签数据进行特征提取,以消除冗余特征。其中,基于类属属性的多标签学习算法通过提取标签间的相关性来完成标签特征选择及分类任务,但是这类算法缺乏对实例间相关性的重视。此外,现实世界中每时每刻都在产生大量的数据,这些数据大部分都是以数据流的形式存在。对于多标签数据流的研究也引起越来越多的重视。围绕上述问题,本文展开如下工作:1.针对现有多标签学习算法缺乏对实例相关性的考虑,提出了学习类属属性及实例相关性的分类算法,在构建模型时不仅考虑标签相关性还考虑实例特征的相关性。本文通过构建相似性图,学习实例特征空间的相似性,将实例相似性信息加入到模型训练中。实验结果表明,本文提出的算法能够更有效地提取类属属性,具有更好的分类性能。2.针对现有的概念漂移检测方法大多集中于单标签数据流,难以满足多标签数据流概念漂移检测的问题,本文提出了一种分层校验的多标签数据流概念漂移检测算法。提出的算法包括检验层和校验层,检验层通过对数据分布变化的检测来判断是否发生概念漂移,校验层通过判断标签混淆矩阵的变化程度来验证是否真正发生了概念漂移。在真实多标签数据集和合成多标签数据集等14个数据集上进行实验,与现有方法相比,本文提出的分层校验算法在Subset accuracy、Jaccard similarity和F-measure等指标下表现更优。实验结果表明,提出的算法能够有效的检测到概念漂移,分类性能得到了提升。