单标记学习和多标记学习可以为一个具体实例分配一个或多个与之相关的标记。这两种学习范式都可以指出哪些标记可以描述实例,然而在现实生活中,很多时候我们想要知道不同的标记对实例的重要程度,这时仅靠单标记学习和多标记学习就不够了。于是,学者们提出了标记分布学习,该学习范式以标记分布的形式给出不同标记对同一实例的描述度。但同时,由于标记分布数据集的标注代价高昂,且没有客观的标注标准,导致可用于进行标记分布学习研究的数据集较少,这大大阻碍了该领域的发展。于是,标记增强被提出用于将广泛的多标记数据集转化为标记分布数据集。近年来,标记增强得到了学者们的大量研究,并提出了许多优秀的算法。本文深入学习研究了现有的相关工作,从标记相关性、标记序关系和多视图的角度,提出了两个标记增强算法,并基于这两个算法实现了一个多视图多标记的图像分类系统。第一,本文提出了一种基于保持正负标记关系的标记增强方法。现有的标记增强算法主要考虑的是提高预测标记和真实标记的拟合程度,但却忽略了逻辑标记间最重要的正负标记序关系。本文提出,在标记增强过程中,预测标记应该满足如下条件,所有正标记的预测标记分布值大于所有负标记的预测标记分布值。同时,考虑到不同的正负标记排序错误严重程度不同,借助局部标记相关性,我们提出了一个全新的成对排序损失,可以对学习过程中产生的不同排序错误产生不同的惩罚。实验结果表明了所提出算法的有效性。第二,本文提出了一种基于张量的多视图标记增强方法。现有的标记分布学习在多视图领域的研究较少,究其原因还是数据集的缺乏,同时现在也没有适用于多视图数据的标记增强方法。于是,本文首次提出了一种多视图标记增强方法,考虑到现有的融合多视图的映射方法难以挖掘多视图中的非线性关系,于是我们将张量的CP分解引入算法。同时,我们联合多视图挖掘出特征空间的拓扑结构,最后,结合局部标记相关性将特征空间拓扑结构迁移到标记空间,以获得相应的标记分布。实验结果表明该算法可以有效地处理多视图数据。第三,本文实现了基于多视图多标记的图像分类系统。图像识别一直是人工智能在现实世界应用最广泛的领域之一。传统的图像识别任务大多是单标记或多标记的,考虑到标记分布学习对事物的描述更准确,我们考虑将标记增强嵌入多标记学习,再通过虚拟标记的方法划分相关标记和不相关标记。利用上述提出的两种算法,我们实现了一个多视图多标记图像分类系统。