在多标签问题中,对标签的预测可能是不准确的、标签间相关关系可能是非对称的,这会导致多标签学习产生标签语义信息丢失、标签语义考虑不充分等问题。传统的多标签分类算法通过相同的属性集合预测所有标签,但在多标签分类的实践中,标签可能会拥有特定的属性特征,类属属性作为一种基于原始特征空间和对应标签的嵌入方法,有效地降低了多标签学习的复杂性。同时在标签空间进行标签间相关信息挖掘所获取的语义信息,可以有效提升多标签类属属性学习性能,提高多标签分类精度。基于此,本文的主要研究内容如下:1)目前多标签类属属性学习主要采用基于嵌入的研究方法,存在标签语义考虑不充分、所选特征过于稀疏等问题,导致多标签分类性能欠佳。在语义网络和数据源的快速发展下,我们发现数字标签相对逻辑标签承载更多的语义信息,可以更全面地描述实例。首先利用相似实例之间互相可以进行线性表示的特点构建标签传播依赖矩阵,并通过标签传播依赖矩阵将原有标签空间的稀疏二进制矩阵构造为数字标签矩阵,以此获取更具鉴别性的标签来重塑原标签空间;其次在重塑过程中添加传播约束避免重塑前后标签矩阵可能存在的差异性,采用交替迭代的方法得到数字标签向量;最后使用余弦相似度构建重塑标签相关性矩阵约束解空间,对比度量类属属性学习能力是否得到提升。基于此,本文提出语义丰富的多标签空间重塑类属属性学习（Multi-Label Space Reshape for Semantic-rich Label-Specific Features Learning,LSR-LSF）算法。2)现有多标签分类模型多数采用距离度量或特征稀疏化策略提取类属属性,并通过余弦相似度方法构建标签相关性矩阵直接加入到模型中,进而挖掘标签空间的潜在语义信息。该过程忽略了标签间相关关系存在的因果性情况。单纯基于距离或稀疏化权重矩阵方法考虑标签独有特征,存在距离度量失效及特征稀疏化参数人工依赖问题,导致分类器性能欠佳。同时考虑到上述使用逻辑标签存在不能描述不同标签重要程度及无法充分表示语义信息等问题,我们在标签传播重塑标签空间丰富标签语义的基础上,结合条件独立性检验方法构造标签共现矩阵,并与标签相关性矩阵相结合构造标签因果相关性矩阵从而对得到的数字标签矩阵进行多标签分类学习。基于此,本文提出因果相关空间重塑的多标签分类（Causal Correlation Space Reshape for Multi-label Classification,CCSRMC）方法。3)在目前的多标签图像识别实践中,依然存在着数据量庞大、人工标注成本过高等现实问题。捕捉标签间存在的一些依赖关系,可以实现更快更精准的图像标注识别。本文将用于图像分类的GCN模型与标签传播依赖的空间重塑方法相结合,提取出图像的高级语义特征,实现了图像标签语义的扩充。在一定程度上解决了图像识别不精准,人工标注困难问题,提升了多标签图像分类精度。本文通过标签空间重塑来丰富标签语义进行稀疏多标签学习,在此基础上提取多标签类属属性优化多标签分类。通过标签传播方法解决原始空间存在的标签语义考虑不充分,所选类属特征过稀疏问题。通过因果推断方法解决标签间相关关系存在的不对称性情况。通过将图像分类的GCN模型与LSR-LSF算法相结合,提升了多标签图像识别精度。