目的:结合深度学习算法,探究一种算法,使得多标签分类中,在测试集里出现训练集中从未出现过的数据标签组合,使用此算法能够作出较为准确的判断,并使用尽可能少的时间。这对于传统的深度学习多标签学习算法来说是一种改良,也为深度学习可解释性提供了一种新的思路。方法:截取神经网络中间层的特征,使用线性方法降维,通过计算降维后点的概率分布,并计算数据点到各个单一标签分类中心的欧式距离,从而判断出此数据属于某单一标签还是不同的标签组合。结果:通过网络中间层发现不同的标签组合与单一标签之间存在一定程度的线性关系,使用本文提供的算法,网络能够判断出训练集中不存在的标签组合,这是以前利用深度学习的多标签算法达不到的。此方法仅需要使用一个神经网络,大大节省了计算时间。结论:神经网络能够将不同特征的分布情况反映出来,可以通过中间层的特征得出结论。虽然计算的精确度有待提升,但是对于目前而言,证明其有一定的可行性。此算法具有一定的创新性,与原有的算法不同,可以推测训练集中所不包含的情况,说明深度学习的特征可以聚类,并在一定程度上反映原始数据的特征,为深度学习可解释性理论的研究做出一点贡献。