多标签学习普遍存在于实际应用中并且是机器学习领域里研究的主要问题之一.与传统的单标签学习不同,多标签学习能够处理具有多个类标签的实例,同时在测试阶段它可以为新出现的待测实例一次预测一组相应的标签集合.对于多标签学习来说,拥有大量标签信息完整的训练数据是获得较好学习性能的前提条件.然而在实际问题中,由于数据规模庞大、类型繁多、标记不易等原因,获得的训练数据常常是大量含有不完整标签信息的弱标记数据.如何利用这些弱标记数据来执行分类任务并取得不错的分类效果逐渐成为了研究的热点问题之一.本文针对在多标签分类过程中遇到的两种不同类型的弱标记数据进行研究,主要的工作如下:首先,对于训练数据中只有部分相关标签信息被标记的弱标记数据,本文提出了一种适用于此类型弱标记数据的多标签分类算法.该算法通过迭代更新每个实例的权重值以及利用任意两两标签之间相关性来恢复其中不完整的标签信息;在标签恢复完毕后,利用标签信息完整的训练集来训练分类模型,并且用此模型对测试集进行预测.在实验阶段,将该算法与其它相关算法在多个公开的多标签数据集上进行实验仿真,实验结果表明所提算法在标签恢复方面和最终的多标签分类方面均取得了较好的效果.其次,对于训练数据中含有部分标记和完全未标记实例的弱标记数据,本文提出了一种适用于此类型弱标记数据的半监督多标签分类算法.该算法先将部分标记实例中缺失的标签信息恢复完整;随后通过标签传播的方式,将恢复好的这部分实例的标签信息传播给完全未标记的实例;之后用所有的实例(包括训练实例和测试实例)来训练一个基于图的半监督线性分类器,并用此分类器来预测测试实例相应的标签信息.在实验阶段,把该算法在多个公开的多标签数据集上进行实验仿真,并与现有的相关算法进行对比和分析,进而说明所提算法的有效性.最后,本文对研究内容与所获得的研究成果进行了简要总结,同时对下一阶段的研究做出了规划与展望.