多标记学习及其应用是当前机器学习和数据挖掘领域研究的新的热点问题之一。多标记学习中的训练数据集是由多个标记的示例组成，多标记学习的任务就是通过对已知类别标记的示例进行分析从而预测未知示例的标记。多标记学习在文本分类、web网页分类、自然场景分类以及生物基因功能分类等领域都有广泛的应用。因此，研究多标记学习具有一定的现实意义和应用价值。学者已经将许多数据挖掘中的有效算法应用在多标记学习框架下。例如，神经网络、ID3算法以及KNN方法应用在多标记学习框架下，但仍然有些问题值得我们去研究。本文主要是研究Apriori算法和贝叶斯分类器在多标记学习中的分类问题。前者是研究多标记的各个类别标记之间的关系，后者是将传统的朴素贝叶斯分类器推广到多标记学习中。首先提出了用Apriori算法挖掘标记之间的关联规则。在标记过程中，将具有强关联依赖关系的复杂标记用依赖关系中的单标记表示，然后用ML-KNN算法对多标记数据进行分类。在最后的标记预测阶段，再根据强关联依赖关系填补上复杂标记。实验结果表明，在对emotions数据集的分类中，这种方法比现有的多标记分类方法更有效。针对多标记学习的特点和评价指标，提出了多标记朴素贝叶斯分类器来为多标记数据进行分类。在数据预处理阶段引入了主成分分析方法，对多标记数据集的特征向量进行维度归约，减少了实验的运算量，提高了分类器的分类准确性。然后将这种方法推广应用在基于互信息和条件互信息测度的树扩展的贝叶斯分类器TANC中。最后多标记朴素贝叶斯分类器是在MBNC实验平台下实现的，并将其应用于自然场景数据集的学习中，实验结果表明多标记朴素贝叶斯分类器能有效进行分类。