随着大数据时代的到来,多标签学习算法在图像分类、文本分类、音乐检索、生物信息学、多媒体自动注释等多个领域中得到了成功的应用。多标签数据集中的每个样本都由若干个标签类别进行标注,多标签分类的目的是为了学习未知样本相关的标签集合。随着多标签数据形式越来越复杂,标签数量规模越来越庞大,多标签分类模型通常更加复杂,面临着更多的挑战。多标签分类算法面临的挑战包括以下三个方面:1)多标签数据各个类别的标签拥有着特有的特征,这些特征丰富了标签隐藏的信息,构建特定特征时挖掘样本关联关系有助于对应标签表达能力的提升;2)有效地探索并利用标签相关性对于提高分类的准确性有很大的贡献;3)由于标签数目众多,多标签分类中类别不平衡问题显得越发棘手。本文围绕这三个方面的挑战展开研究,提出了两种基于标签特定特征构建的多标签分类算法,主要研究内容如下:1.基于如何有效构建标签特定特征的问题,提出了基于聚类提升树的多标签学习算法。首先利用聚类特征树将原始特征空间中的数据内在关联保存在树形结构中,从而获取相似群体样本之间的共性,并添加样本的关联作为原始特征集合的扩展。随后提出随机子集用于学习各类别标签的若干分类提升树,通过计算提升树的残差值用于学习各标签的特定特征。在11个各领域数据集上应用于7个多标签分类算法的对比实验上显示:本文算法在各评估指标上表现良好,论证了其有效提升了多标签分类的性能。2.以标签特定特征算法(Label Specific Features,LIFT)为基础,进行相关性及不平衡性问题的研究,提出了基于相关性构建的LIFT改进算法。算法在构建标签特征之前,引入去噪自编码器学习原始特征空间中的鲁棒性特征,随后基于标签相关性对各标签的特定特征进行稀疏共享,并结合标签的关联关系对于不平衡标签利用过采样的方法对少数类样本进行样本扩充。在7个不平衡多标签数据集上进行的丰富实验证实了本文方法泛化性能更好,同时,在不平衡指标上相比于主流的特定特征领域算法有明显的提升,表明算法对于缓解类别不平衡问题也具备优势。