随着人工智能的深入发展和科技的飞速进步,传统监督学习已经无法满足日益复杂的学习问题和数据形式。在现实生活场景中,常需要基于同一组输入变量训练并预测多个输出变量。为应对上述学习任务,时下备受关注的多标记分类学习应运而生。由于多标记数据含多个标记变量,输出空间的急剧膨胀导致了如下挑战:一方面,受限于存储空间和时间开销等因素,为每个可能的标记变量子集训练一个学习器显然是不现实的;另一方面,标记的激增造成获取被标记数据的成本增高,进而导致具有真实输出的多标记训练样本严重缺失。为提升多标记学习算法的预测精度、学习效率和泛化能力等,标记间相关性的度量与利用成为重要的突破口。但现存的关于标记间相关性获取的研究常于依赖外部知识,或通过统计输出空间中标记共现与互斥的频率以评估标记之间的关联程度。上述成果仅着眼于输出空间中各标记间的相互作用,并没能给出完善且富有说服力的理论框架以定性且定量地描述输出空间中的特征变量对标记及标记间相关性的影响。与此同时,也没能为如何运用标记间相关性提供较为有效的解决方案。为应对上述难点,本课题得到如下创新点以期为完善多标记学习的研究工作提供全新的思路和可行性方案:（1）针对具有离散型输入空间的多标记数据,提取关于标记的关键特征元素。通过比对不同标记的关键特征元素,计算标记关联矩阵以刻画输入空间中特征变量对标记及标记间相关性的影响。进而,输出空间中标记变量被划分为若干个互不相交的相关性标记子集,其内部标记之间具有较强相关性。在保证原输入空间对相关性标记子集辨识能力不变的前提下,设计面向多标记数据的特征选择算法CLSF。对具有强关联度的标记,算法CLSF可以删除对其冗余或干扰的特征,并提取强描述性特征,从而实现对输入空间和输出空间的双向降维。（2）一方面为避免在离散输入数据时丢失蕴含于特征变量中的辨识性信息,我们致力于完整保留数据中所含的全部描述性信息;另一方面,为降低基于关键特征元素的标记间相关性的计算复杂度,我们试图构造更为合理的度量以刻画特征对标记的二元重要性。因此,针对具有数值型输入的多标记数据,提取关于标记正、负局部类的关键特征。基于不同局部类对应关键特征的重合度,构造局部标记间相关性和全局标记关联矩阵。依据不同的相关性判断参数α,标记集被划分为若干个不重叠的关联标记子集。针对关联标记子集,设计了能够凸显标记局部特性的局部得分函数,以整合具有强相关性的局部类。最后,提出了多标记局部特征选择算法LRFS-α,对关联标记子集进行更具有针对性的局部特征选择,以强化多标记特征选择的学习和预测性能。（3）为避免在提取特征对标记二元重要性时造成描述性信息的损耗,我们旨在度量特征对于标记的关键程度;另外,为降低拟合强相关标记时造成标记间相关性信息的丢失,我们试图将标记关联矩阵直接用于多标记分类中。因此,为明确地量化输入空间中所含全部特征变量对输出空间中任意标记的鉴别能力,定义了关于标记的特征分布。结合不同的聚合策略,给出基于特征分布的标记间相关性的形式化概念与度量函数。进一步,构造基于特征分布的标记关联矩阵,从而较为全面和客观地反映输出空间中哪些标记之间具有强相关性,哪些标记之间关联性较弱甚至无关联。最后提出了基于标记关联矩阵的多标记分类器FL-MLC,以调整不同标记对应的预测系数之间的距离分布。（4）为解决被标记的多输出数据稀缺及数据异构,标记间相关性被推广应用于更为复杂且更具实际应用价值的场景中,即具有多输出回归任务的半监督学习。针对输出空间中的不同变量,首先获取辅助域（即源域）中的模糊规则,以尽量多的保持各输出的特性并抓取输出间的共性。在同构情境下,基于辅助数据与当前数据（即目标域）之间的相似性和差异性,算法FMOT通过改变并转换从源域中积累的模糊规则,以应对目标域中全新但相似的回归学习任务,从而解决被标记数据严重短缺的难题。在此基础之上,通过学习一个全新且公共的潜在特征空间,以对齐源域与目标域的输入空间,使算法FMOT能够适用于更为复杂的学习情境,即论域间异构。针对不同类型的带有多个输出的高维数据,本课题建立了较为完善的理论框架,以度量特征对标记的重要度。进而,基于重要度的标记关联矩阵被应用到多标记特征选择和分类中。最后,将标记间相关性推广运用至真实的应用场景中。相较于现有的多个多标记分类算法、多标记特征选择算法、多输出回归算法和迁移学习算法,上述所提算法在多个真实多标记数据和多输出数据中取得良好的实验效果。