在多标记学习中,学习对象通常由一个示例表示,同时该学习对象隶属于多个标记。多标记学习的目的是构建一个能够预测未见示例相关标记的学习框架。多标记学习已在多个领域得到成功应用,比如文本分类,多媒体内容理解和生物信息学。随着应用范畴不断扩展,多标记学习的研究需要适应实际需求,为一些更为复杂的多标记学习问题提供解决方案。基于此,在上述标准多标记学习框架的基础上,本文对一些复杂环境下的多标记学习关键技术展开研究,主要工作包括:（1）针对多标记数据中的“维数灾难”问题,以往的多标记特征选择方法要么直接由传统的特征选择方法扩展而来,要么对标记信息利用不够充分。本文提出一种流形正则项约束的嵌入式多标记特征选择方法MDFS。所提出的MDFS方法从特征空间生成一个低维嵌入,能够拟合标记局部与全局关系进行降维。实验表明MDFS能够生成一个优化特征子集来提高学习性能。（2）针对每个标记具有其独有的内在特征（即类属属性）这一问题,本文提出一种类属属性多标记分类方法MLFC。MLFC构建了一个优化学习框架。在该框架下,类属属性通过稀疏学习的方法找到,同时标记相关性信息映射成额外特征,作为类属属性的候选目标。实验结果验证了 MLFC在多标记学习特别是类属属性学习方面具有优势。（3）针对多标记数据中的特征表征具有多个来源这一问题,本文面向多源（异构）多标记数据建模,提出一种基于多源信息的多标记一致性学习框架MLSO。MLSO首先利用邻域信息得到每个数据源对标记的预估值,然后学习不同数据源的权重得到多标记一致性分类结果。实验结果显示MLSO不仅能结合已有多标记学习方法实现学习性能的提升,还能融合多源信息进一步提高学习性能。（4）针对多标记弱监督学习问题,本文提出一种新的基于标记信息扩增的学习方法MSWL。MSWL从标记信息不完整的多标记数据中挖掘标记“高阶”关系和特征局部结构等辅助信息来训练多标记分类器,不仅能够对缺失标记进行补足,还能同时利用标注数据和未标记数据进行学习。实验结果验证了 MSWL能够处理多标记学习中的弱标记和半监督学习问题。