随着信息技术的快速发展,多标签分类已经成为分类问题的重要课题。在大数据时代,多标签分类问题广泛存在于现实世界中。由于多标签数据的特殊性,传统的数据分析技术与手段已不再适用于多标签数据。因此如何找到一种快速有效多标签分类算法已成为一个热点问题,多标签分类学习的研究也正逐渐凸显出其价值。本文主要工作如下:首先对单标签和多标签分类的研究现状进行了初步的了解,总结和分析了应用到多标签分类学习的两种算法:基于问题转换策略和基于算法转换策略,其中重点研究了基于KNN(K Nearest Neighbors)的多标签分类改进算法,详细分析了每一类改进算法的主要思想和优缺点。其次深入研究了基于KNN的多标签分类算法ML-KNN,针对该算法在数据分布不均匀的情况下容易造成误判标签的情况问题,通过增加后验概率的值,提出一种改进的新型多标签分类算法:增加后验概率的ML-KNN改进算法。然后在增加后验概率的ML-KNN多标签分类算法的基础上引入惩罚函数,进一步提高算法的准确性。将改进的两种算法在数据集上进行分类实验,结果表明改进算法的预测性能整体上优于ML-KNN算法。最后深入研究了一种新型多标记懒惰学习算法——IMLLA(An Improved Multi-Label Lazy Learning Approach)算法。本文在IMLLA算法的基础上,在确定与每一类对应的近邻样本时采用不同大小的参数,从近邻样本中提取出比标记计数向量更为有效的信息来辅助分类过程的进行。将改进算法在数据集上进行分类实验,并和IMLLA算法进行了详细的对比,结果表明改进IMLLA算法对于提高多标记懒惰学习算法的性能大有裨益。