多标签分类算法是机器学习中的一个重要方向。多标签分类算法可以用来解决同时具有多个标签的样本数据的分类问题以及排序问题。其研究成果广泛地应用于各个领域,如文本信息分类、图像视频的语义标注、功能基因组等。相较于每个样本只对应一个类别标签的传统单标签分类算法,多标签分类算法更能满足实际应用的需求。本文提出两种解决多标签分类的方法MLNMF和i-MLNMF,i-MLNMF是MLNMF的扩展算法,在原算法的基础上变换了概率计算公式,使得算法在对大数据集处理上效果更加明显。目前已经提出了若干多标签分类算法,这些方法均能对样本点进行多标签分类,然而如何更加高效的将样本点与多个标签对应,以及如何挖掘出样本的特征与标签之间的直接对应关系并加以利用依然没有得到彻底的解决。MLNMF和i-MLNMF算法均是利用非负矩阵分解来解决多标签分类问题的。该方法相对于已提出的算法,既能保证多标签预测的准确性,也能保证算法运行时间上的高效性。MLNMF和i-MLNMF算法通过挖掘样本点的特征与标签之间的直接对应关系进而得到标签概率预测模型(LPPM),接着通过决策树算法为每个标签生成对应的分类器。最后,利用LPPM模型和分类器为无标签样本预测所对应的多个标签。论文在多个标准数据集和大数据集上对比了基于非负矩阵分解的分类算法与经典分类算法,实验结果表明,MLNMF和i-MLNMF算法的效果要优于或者接近于经典算法,并且在算法效率方面十分突出。因此,MLNMF和i-MLNMF算法在多标签分类的实际需求中有着非常高的实用价值。