现如今的人类生活在一个信息大爆炸的时代,从复杂信息中定位自己需求信息的要求也在不断提高。多标签学习就是这样一种技术,它可以为人们将信息准确的分门别类,为人们的生活生产提供极大的便利。正因如此,对于多标签学习的研究成为当前数据挖掘和机器学习领域的热门方向。相比于单标签分类问题,多标签分类研究的是样本同时对应多个标签的分类方法,它需要更加复杂的模型来学习。随着对多标签分类研究的深入,挖掘标签之间的关联以提高分类性能成为了研究学者们越来越关注的问题。其中文本分类是多标签分类中的一个重要方向,它的数据往往有着高维稀疏的特性,这种特性导致直接学习多标签分类模型十分困难,让学习的模型容易过拟合。集成学习是一种有效控制模型过拟合的学习方法,它可以使用不同的策略将一组弱学习器结合起来,产生比最好的单一学习器更好的性能。鉴于此,本文针对这些问题进行了研究:对于文本数据中的“维数灾难”问题,一般需要对文本空间进行降维,以此降低模型的复杂度,提高分类性能。为此,本文提出了一种基于样本规则的集成学习模型,它依据文本数据稀疏的特性,截取某些样本中特征和标签均为1的部分组成基分类器的学习空间,达到了使基分类器的维度大幅降低的目的。在基分类器的学习空间中,它的标签空间是某个样本标签集对应的空间,这个标签空间已经隐含了该样本内在体现的一种标签相关关系,通过LP方法训练该基分类器,使模型训练中能够利用这种标签关联。为了使集成之后的模型优于单个基分类器,提高集成的性能,通过给每个基分类器赋予一个向量权值,向量的每一维表示该基分类器对相应标签的支持度,然后用回归的方式学习这个向量。对实际生活中的智能法官场景,设计了智能法官系统,实现了各个模块功能。为验证本文提出多标签分类模型的有效性,选取多个高维稀疏多标签文本集进行对比试验。试验结果说明本文提出的方法能有效处理高维稀疏多标签文本数据。