随着社会的不断发展,多标签分类逐渐成为人们研究的热点,诸多领域(如图像分类、自动文本分类、生物信息中基因功能分析和多媒体分析等)都涉及到多标签分类问题。目前,已有大量关于多标签分类的方法,如BR、BP-MLL、ML-kNN等。这些方法都假定数据之间独立同分布,并未考虑数据的相互关系。然而现实生活中的数据都或多或少存在显性或隐性的联系,将数据的相互关系考虑到多标签分类中,能充分挖掘数据的潜在信息,并提高分类的性能。多标签k近邻ML-kNN方法是一种通过对已分类实例进行学习,来预测待分类实例的标签。然而该方法并没有考虑属性间以及标签间的相互关系,因此,本文将属性的显性或隐性的相互关系以及标签的显性或隐性相互关系考虑到ML-kNN方法中,提出了一种基于耦合相似性的多标签k近邻CSML-kNN方法。针对CSML-kNN方法在大数据背景下不可扩展的问题,本文又通过特征提取和特征选择的方法,对多标签属性进行降维,进而ML-kNN方法来预测待分类实例的标签,提出了基于主成分分析的多标签k近邻分类方法PML-kNN、基于主成分分析的耦合相似性多标签k近邻分类方法PCSML-kNN和基于特征选择的多标签k近邻分类方法RCSML-kNN。最后,根据两个真实的多标签分类数据emotions和yeast,分别采用 ML-kNN、CSML-kNN、PML-kNN、PCSML-kNN 和 RCSML-kNN方法进行实验。实验结果表明将特征选择和耦合关系考虑到多标签k近邻ML-kNN方法中,不仅能提高算法的效率,还能提高分类的准确性。