随着大数据时代的来临,海量高维数据的多标签分类已经成为了一个新的研究热点。目前已有多标签分类的大部分算法都是假设数据之间独立分布的,没有考虑到数据之间的相互关系。然而在现实生活中数据之间必然存在或多或少的显性或隐性的关系。并且有标签的数据获取代价昂贵,这对多标签分类算法带来了新的挑战。针对以上的问题,本文采用了一种基于关联度的半监督多标签分类方法。其基本思想是首先针对多标签数据进行降维,减少数据冗余,然后通过半监督标签传递的方式为无标签数据赋予标签,得到数据属性和标签之间的外关联度,利用Kulc关联度计算标签之间的内关联度,最后结合内外关联度构建分类模型及其算法实现,基于公共数据集,进行实验验证,结果表明本文所提方法合理可行,提高了多标签分类的性能。具体研究内容如下:1.对多标签分类的概念和部分经典的多标签算法进行了综述,总结了这些多标签分类方法的主要思想以及它们的优缺点。2.在大数据环境下,针对数据维度灾难,本文采用主成分分析法和线性判别分析法对数据进行降维,减少数据冗余,通过实验证明,两种降维方法均可有效的提升多标签分类的性能,且由于LDA降维方法可以运用标签信息,使得在低维空间中投影的数据同类分布密集,类别之间分布稀疏,更利于后续的多标签分类。3.针对标签之间的相互关系,提出了利用Kulc关联度计算标签之间的相互关系。引入大量无标签数据,利用半监督学习思想,构建连通图,通过标签传递的方式构建软标签矩阵,进而得到数据属性和标签之间的外关联度,同时由于为大量无标签数据赋予标签,进一步提升标签内关联度的准确性。将内外关联度融入到多标签分类算法中,形成一个既考虑数据和标签之间的相互关系又考虑标签之间相互关系的算法(简称RSML)。4.通过实验对比分析,对比两种降维方法对本文算法RSML的性能提升程度,得到最优算法LDRSML,然后将算法LDRSML和常见的多标签分类算法在常用的数据集上进行对比实验,对比的实验结果表明本文算法LDRSML提高了分类性能。