分类问题一直是机器学习的研究热点之一，多标签分类由于更加符合人们的认知，因而在实际中得到广泛应用。分类时经常会面临数据不平衡问题，即不同类别的样本数量存在着较大的差异，在多标签分类中，标签集的特殊性使数据不平衡问题更加严重，导致在对不平衡多标签数据分类时无法有效的利用标签间的相关性，从而降低分类效果。本文尝试从不同角度出发解决多标签分类的数据不平衡问题，围绕在数据层面上改进过采样算法和在数据层面与算法层面相结合的基础上设计集成算法展开研究。
　　首先，简要介绍了多标签分类数据不平衡问题的背景意义及研究现状，给出了多标签分类的定义和一些常用方法，总结了传统的解决多标签分类数据不平衡问题的方法。
　　其次，针对多标签分类中数据不平衡问题，从数据层面出发，考虑到传统的多标签过采样算法ML-SMOTE可能存在的不足，对其进行改进，提出了一种多标签幂集小类样本合成算法MLP-SMOTE(Multi Label Powerset Synthetic Minority Over-sampling TEchnique)，该算法可以在过采样时充分考虑标签间的相关性。
　　再次，为了改善对多标签不平衡数据分类时使用单一分类器可能存在的不足，从数据层面和算法层面共同出发，将过采样算法和集成思想相结合提出了一种基于样本贡献度的多标签不平衡数据集成算法MLSCE(Multi-Label based on Sample-Contribution Ensemble)。
　　最后，在5个公开的用于不同领域的多标签数据集上，通过一系列实验将MLP-SMOTE算法与其他过采样算法进行对比，实验结果表明，MLP-SMOTE算法具有有效性与普适性；将MLSCE集成算法与单一分类器、Bagging算法在多个评价指标上进行对比，证明了MLSCE集成算法具有较高的分类性能。