多目标回归是对传统回归模型的扩展,旨在使用一组共同的输入变量预测多个连续变量。其主要挑战在于:对输入数据与其对应的输出目标之间的复杂关系建模;对输出目标之间的复杂关系建模。针对第一大挑战,可以为每个目标构建其特定特征,通过不同的输入空间预测不同的输出目标;针对第二大挑战,可以通过单目标堆叠算法或回归链算法考虑目标之间的相关性。然而,现有的多目标回归算法很少同时考虑到这两方面。基于此,本文提出了两个结合目标特定特征和目标相关性的多目标回归算法同时应对这两大挑战。本文的主要研究内容如下:1.提出了一种基于聚类分析与单目标堆叠的多目标回归算法。其中,聚类分析用于构建目标特定特征:首先通过K-Means分箱挖掘各个目标在输入空间中的不同分布,随后通过对分箱后的输入空间进行聚类分析得到簇中心点,最后将输入空间与簇中心点的距离作为目标特定特征。另外,单目标堆叠用于考虑目标间的相关性:单目标堆叠算法分为两层模型,一般会在第二层模型中为输入空间堆叠第一层模型得到的所有目标预测值,然而堆叠与当前目标无关的预测值会使性能急剧退化;本文改进了传统的单目标堆叠算法,第二层模型只堆叠与当前目标相关性大的目标预测值。2.提出了一种基于变分自编码器与最大相关链的多目标回归算法。其中,变分自编码器用于构建目标特定特征:首先转置输入空间与当前目标构成的矩阵,通过变分自编码器得到当前目标的代表性样本点,最后将输入空间与当前目标的代表性样本点的距离作为目标特定特征。另外,最大相关链用于考虑目标间的相关性:传统的回归链算法具有随机性大、复杂度高的缺陷,而通过目标的Pearson相关系数之和排列目标并加入局部相关性,可得到一条单一的目标链,较传统回归链算法稳定性更高,复杂度更小。本文在18个常用多目标回归数据集上与近5年来4种经典多目标回归算法进行了比较,实验结果充分证明了本文算法的优势,说明了结合目标特定特征和目标相关性对于多目标回归问题具有重要意义。