多标记学习是机器学习中的重要研究内容,倍受研究者的关注。至今,已提出了一系列高效的多标记分类算法,但对标记缺失、标记过多、有标记噪声等情况下的多标记学习还需要深入的研究。论文侧重对标记类别过多、有标记噪声情况下的多标记分类问题,围绕如何有效挖掘并利用标记相关性、特征空间与标记空间之间的关系展开研究,主要研究工作如下。1.提出了深度映射下基于结构保持和标记嵌入的多标记分类算法(DCSPE:Deep Correlation Structure Preserved Label Space Embedding for Multi-label Classification)。该方法利用深度神经网络将特征空间以及标记空间投影到一个公共的深度隐空间中,使得它们的相关性在这个深度隐空间达到最大,同时为了使得这个深度隐空间具有较强的判别能力,我们利用流形学习的方法对原始空间中样本的分布以及结构予以保持。这样学习得到的深度隐空间将融合特征空间,标记空间以及样本分布信息,从而使得该模型在标记类别数量较多的情况下仍然具备较强的学习能力。实验结果表明,DCSPE算法能够有效提升多标记分类的效果。2.提出了基于局部结构保持和标记相关性利用的多标记分类算法(DCECS:Deep Cross-view Label Embedding with Correlation and Structure Preserved for Multi-label Classification)。该算法将拓展后的深度交叉视图模型作为基础模型,此外,利用局部图正则化去刻画特征空间中样本之间的局部相关性,利用超图正则化去刻画标记空间中标记全局相关性。从而学习得到一个保留了样本局部相关关系,标记相关关系的深度隐空间,该隐空间将具备较强的预测能力并能有效提升多标记分类算法的性能。实验结果表明,DCECS算法能够有效提升多标记分类的效果。3.提出了判别结构保持下基于鲁棒交叉视图的多标记分类算法(RCEDS:Robust Cross-view Embedding with Discriminant Structure for Multi-label Classification)。该算法以交叉视图学习为基础,结合所提出的超图融合理论,将基于特征空间以及标记空间信息构造得出的超图进行有效融合,利用特征空间中样本之间的高阶关系有效修正标记空间的噪声和缺失。同时,利用双向一致性度量学习去有效提升所学子空间的判别性并挖掘特征空间与标记空间的一致性。综上,该算法将可以学习得到一个具备较强鲁棒性与判别性的隐空间并能够有效提升多标记分类算法的性能。实验结果表明,RCEDS算法能够有效提升多标记分类的效果。