在多标签分类的框架下,每个样本可以被赋予不止一个标签,直接导致样本的可能标签集合的数目巨大,给多标签分类中分类器的学习带来挑战。已有的研究表明,有效地挖掘并利用标签之间的关系可以促进多标签分类的学习过程,提升分类器的预测性能。但是,关于标签关系的挖掘和利用又不得不面临这样的两个问题:1)如何挖掘出标签之间的关系;2)如何恰当地利用标签之间的关系。此外,所有样本并不总是满足相同的标签关系,不同的样本子集包含的标签关系可能存在差异,直接假设特定的标签关系的效用范围是全部样本并不是十分合理的。针对以上问题,本文的主要工作有:1)针对多标签分类中潜在的相关标签集数目巨大的问题,可以通过挖掘和利用全局性的标签关系来缓解,提出了基于标签-主题对的多标签学习框架LTPML。LTPML将主题模型应用于标签关系的挖掘过程,将单个示例视为一篇文档,将每个标签视为一个词,学习出标签层上包含标签关系的更凝练抽象的主题信息。将每个标签与每个主题进行配对,基于构成的标签-主题对得到对应的重构数据集,从而将多标签问题分解为多个单标签问题进行求解。基于学习框架LTPML,根据主题组合方式以及主题数目的不同,分别提出了具体的算法LTPML-α和LTPML-β。相关实验探究了 LTPML-α和LTPML-β各自的性质,说明了主题组合方式以及主题数目的选择对算法的影响,实验结果也验证了框架以及具体算法的鲁棒性和高效性。2)基于实际多标签分类场景中存在的特定的标签关系并不总是被全部样本所共享,不同的标签关系会有着各自的效用范围的事实,提出了基于局部标签关系自适应挖掘和利用的多标签分类算法LCMLS。LCMLS根据样本特征以及标签之间的相似性将所有样本划分到不同的样本子集中,然后基于每个样本子集,引入标签筛选和集成学习机制,学习能够适应当前样本子集包含的标签关系的多标签分类模型。相关的实验结果验证了 LCMLS算法的可靠性和有效性,探究了可选参数对算法性能的影响,证明了假设特定的标签关系的效用范围可以是局部样本的合理性。