分类问题在人们的日常生活、社会活动、科研生产以及学习、工作中是很常见的。在很多领域中,比如医学的临床诊断、工业生产的机器状态判断、语音的智能识别等等方面,分类问题都成为了最主要也最难于解决的问题。随着近年来对机器学习的技术不断地研究,数据采集技术得到了飞快的发展,分类场景也多种多样。然而随着数据采集技术飞速的发展,解决分类问题的方法与技术也有很多,其中编码技术是一种有效的技术手段。本文主要基于编码学习的方法,分别从特征和标签两个角度对分类问题进行了研究,主要工作如下:(1)从特征角度,针对多视图不完整数据的回收利用问题,通过结合其特征空间的内在结构与数据的标签信息,对所有的数据学习统一的低维编码。所学的低维编码实现了对历史数据的回收利用,包含了较强的判别信息,能够完成对待预测数据的分类。此外,针对问题的求解,还提出了优化算法并通过理论证明其收敛性,最后通过实验验证了算法的有效性并应用到人脸识别场景中。(2)从标签角度,针对多标签分类时基分类器之间差异性不大的问题,通过把原多标签问题转化为多个子问题,并组合对应的纠错编码,增强了编码的纠错能力。该模型通过划分不同的训练数据池使得基分类器之间的差异性增大,提升了编码的纠错能力。另外,通过理论证明差异性的增大并通过实验验证模型的有效性。