机器学习的目的是基于训练数据进行模型学习,从而利用学习到的模型对未知样本进行预测。对于分类问题而言,传统的监督学习将现实世界中的一个样本对象视为一个“示例&标记”对,其中示例就是用来描述样本的特征,标记即该示例所对应的类别标签。传统单标记学习假设每个样本对应单一的...、明确的...类别标记,即训练样本集中的每个示例仅与一个类别标记相关联。但现实应用中的很多机器学习场景并不符合上述的两个假设:(1)一个样本对象有可能会对应多种语义信息,即一个示例对应多个标记;(2)训练集中的样本可能不具有明确的类别标记。基于这两个问题,多标记学习以及偏标记学习这两种学习范式近些年来受到越来越多研究人员的关注。多标记学习与单标记学习的区别在于样本在标记空间的多义性,即每个样本示例可以与一个或者多个类表标签相关联。近年来,多标记学习得到越来越多研究者的关注,大量的多标记学习方法被提出,但由于多标记学习在标记空间的复杂性,现有方法很难再各项评价指标上都能够达到很好的效果,为了更好地处理多标记分类问题,本文提出了两种多标记学习算法。首先针对多标记学习中不同样本之间的差异性,我们提出了一种基于局部自适应6)近邻的多标记学习算法,该算法考虑到数据集不同区域的样本之间差异,使得在运用6)近邻算法解决多标记问题时能够获得更准确的结果。另外针对多标记任务上的标记之间的差异性,我们提出了一种基于标记重要性分析的多标记学习方法,我们考虑到多标记任务中不同标记的可预测性和影响力的差异,提出一种确定标记重要性的方法,并且将标记重要性分析应用到了两种多标记分类方法里,实现了比基准方法更优的结果。偏标记学习场景下样本集的每个示例也可以与多个类别标记相关联,但在这些标记中有且仅有一个为该示例的真实类别标记。已有方法解决偏标记学习问题的主要思路是通过标记消歧实现的,即在学习过程中去区分每个示例的候选标记集中的真实标记和无关标记。近年来,基于特征空间相似性的偏标记学习方法被提出,该方法利用特征空间和标记空间的平滑性实现标记消歧。但是已有基于特征相似性的偏标记消歧算法都是采用的固定相似图,在数据集存在噪音样本的情况下,这种方法的分类效果不能得到保证。基于这个原因,本文我们提出了一种基于自适应相似图的偏标记消歧方法,该方法将标记消歧、相似图优化和模型训练在同一框架内完成,在处理实际应用时具有更好的鲁棒性。本文分为五章。第一章介绍多标记学习和偏标记学习的基本概念,并作出已有相关方法的综述和有待解决的问题。第二章和第三章分别提出两种不同的多标记学习方法。第四章提出一种新型的偏标记学习算法。第五章对本文工作进行了总结,并作了对未来工作的展望。