第三次人工智能革命浪潮来临之际,机器学习方法迅速在现实生活的各个领域中开展了大量的方法创新与应用研究。机器学习随着时代潮流越来越受到关注的同时,其应用阻碍仍然有很多。数据作为机器学习实现的重要基础,往往呈现出小样本和多标签的特点。数据的累积往往需要一定的时间,同时,现实生活中分类目标往往与多个标签相关联。因此,在机器学习方法应用的初期,多标签和小样本数据的学习问题是较为普遍的情况。为了解决这些问题,针对小样本学习和多标签分类的方法研究逐渐深入。近年来,关于小样本和多标签分类问题的研究较为热门,在故障诊断、图像分类、场景识别、文本分类等领域中广泛应用。本论文的研究内容主要为针对具有小样本和多标签特点的数据集,提出一种面向小样本的多标签分类机器学习方法。鉴于问题转换的方法解决多标签分类任务将会引入了小样本问题。在展开多标签分类方法研究的同时,采用广泛关注的小样本学习算法,有利于高效提升多标签分类算法准确率。本文面向小样本的多标签分类方法研究与应用,主要研究内容及解决的关键性问题如下:第一,提出一种基于加权随机标签子集(WRAkEL)的多标签分类方法,通过该方法将多标签分类问题转换为多个多分类问题,实现多标签学习且提升分类模型训练效率。第二,提出面向多标签分类的多标签集成学习方法(BR-Stacking)替代常用的最大投票集成学习方法,进一步提升多标签分类问题的精度。第三,基于度量学习的原型网络算法,设计一种多标签分类小样本学习方法,综合为WRAkEL-PROS,在多领域的公开数据集上与其他多标签分类算法的进行对比实验,各项评价指标整体上优于对比算法,验证本文所述算法的有效性。第四,基于本文提出的WRAkEL-PROS方法,完成将其应用于飞控系统故障诊断和图像分类中,完成应用实现和软件设计,完成方法的应用研究。