多标签分类中,一个样本可能同时拥有多个标签,因此标签之间可能会发生相互重叠。另一方面,样本特征维数过高可能导致分类器性能下降,计算复杂性增高。因此,降维是多标签分类中非常重要的过程。对于多标签分类中的降维问题,本文采用特征变换的方法,构建了两个线性的多标签降维模型：(1)基于最小特征相关性、最大特征标签间依赖性的降维模型(MCMD)：依据主成分分析最小化特征间相关性的特性以及Hilbert-Schmidt独立性评价标签、特征之间依赖性的特性,利用平衡因子将两个特性相结合,构建了一个可以同时最小化特征间相关性、最大化特征标签间依赖性的降维方法。同时,本文设计平衡因子的估计算法；(2)基于线性排序支持向量机的降维模型(ELRS)：该模型将特征变换嵌入到线性排序的支持向量机中,来达到利用标签信息降维的目的。对于提出的ELRS模型,本文设计快速的迭代算法进行求解。在算法的实验部分,本文收集了10个多标签分类算法评价准则、8个多标签数据集、5个常用多标签降维算法、2个多标签分类器对提出的降维算法进行实验。在MCMD的实验中,本文首先在Scene数据集验证平衡因子估计算法的有效性；然后利用估计得到的平衡因子,将MCMD和收集的5个降维方法在两种不同的多标签分类器上进行性能比较。实验结果表明,MCMD在获得最低降维数的同时,不会恶化分类器的性能。在ELRS的实验中,本文首先在Scene数据集估计一个合适的降维比例；然后,ELRS同样使用5个多标签降维算法、8个数据集上、2个多标签分类器进行性能比较。实验表明,本文提出的ELRS方法具有较好的性能。