多标记学习框架中每个对象由一个示例(属性向量)表示,同时关联多个类别标记,该学习系统的任务是构建从示例映射到相关标记集合的预测模型。多标记学习框架适于描述具有丰富语义信息的现实世界,但是由于标记空间的组合性,该框架在实际应用中有一定的复杂度限制。本文围绕多标记场景下的距离度量学习开展研究,主要开展了以下两方面工作:一方面,基于多标记数据中属性(特征)与标记的结构化交互特性,本文提出多标记组合距离度量学习方法Commu,该方法通过“组合距离度量”对特征与标记空间的结构化交互信息进行建模,隐式考虑了标记间的“高阶”相关性。具体来说,Commu假定多标记的距离度量具有组合性,基于编码标记空间的判别信息构造组合基度量向量;此外,基于特征空间和标记空间的协同计算定义多标记数据的语义相似度矩阵,并生成距离度量中的三元组约束集;由此,算法优化目标形式化为关于组合系数w的二次规划问题,使用FISTA迭代优化算法进行求解。另一方面,真实场景中存在大量未标注数据而获取对象标注需耗费大量人力物力,为了充分利用未标记数据,本文提出半监督多标记场景下的组合距离度量学习算法Celsil。该方法基于马氏距离计算框架,沿用Commu方法的度量矩阵M的组合表示形式,将多标记学习和距离度量学习进行联合优化。具体来说,Celsil使用主成分分析方法(PCA)构造度量矩阵M的判别性基元,求解目标包括两个模块:多标记损失项和流形保持项。一方面,基于多标记损失项考察相关标记与无关标记的排序关系,刻画标记间的二阶相关性;另一方面,基于流形保持项实现成对约束,保持数据的内在结构信息。基于此,算法优化目标形式化为关于距离度量组合系数向量v及多标记学习器权重w的二次规划问题,使用交替迭代梯度下降法进行求解。本文包括五章。第一章主要介绍基本概念、研究现状及待解决问题;第二章主要介绍多标记距离度量学习的相关研究,包括目前主流的多标记距离度量学习算法;第三章介绍多标记组合距离度量学习算法Commu;第四章介绍半监督多标记组合距离度量学习算法Celsil。第五章对全文工作进行总结并做进一步的展望。