传统的分类问题中,一个实例只和一个类标号相关联,但是多类标号分类问题中,一个实例可以和多个类标号相关联,所以,与单类标号分类问题的任务不同,多类标号分类的任务是为一个新实例预测一个合适的类标号集合。目前,如何充分利用类标号之间关联关系是多类标号分类问题成功的关键,但是,已有的多类标号分类方法往往认为类标号之间是相互独立的,忽略了类标号之间的关联关系,失去了大量的可利用信息,严重影响了分类器的性能。为了解决上面提到的问题,本文提出了一种新的多类标号分类方法(multi-label classification by exploiting relationship of labels,简称MCER)。该算法有效的利用了类标号之间的关联关系,MCER算法有两个关键步骤：(1)在原类标号集合中加入一个虚拟类标号,然后为每一对的类标号学习一个分类器。虚拟类标号主要用于预测过程中。(2)在为一对类标号学习分类器时,MCER算法以互信息为标准选择与待学习类标号对关联程度较大的类标号,并视它为一般的特征属性。在预测阶段,MCER算法得到对每一个类标号的投票数,并根据虚拟类标号的投票数(阈值)对未见样本进行预测。实验结果与分析表明,在大部分数据集上,MCER算法表现出显著优势。本文的研究内容可以应用在很多领域,如文本分类、基因功能的预测以及对图片和音频的语义标注等众多领域。对于加快各个领域的发展具有十分重要的意义。