多标签分类问题一直是机器学习中的热点问题。在过去的研究中,人们解决该问题的关键在于如何建模标签之间的依赖关系,从而提升模型的性能。然而在本文中,笔者受到多视角学习在提升泛化性能上的启发,尝试从一个新的角度提出了一个新颖的多视角多标签概率模型。这个模型,我们称之为潜空间的条件伯努利混合(Latent conditional Bernoulli mixtures,LCBM)。LCBM是一种判别模型,该模型以不同视角的特征作为输入,并且在视角共享的潜子空间下,利用伯努利混合模型来建模标签之间的相关性。为了简化模型的计算方法,在混合模型的每个成分中,我们假设标签之间只假设在给定输入的条件下独立。虽然模型是简单的,但是优化却变得困难了。为此,我们采用平均场变分推理框架对概率模型进行近似后验推理,并提出了一种混合高斯自编码器来进行有效的后验近似。与此同时,我们又进一步地设计了一个可扩展的随机训练算法来优化模型和变分参数。最终的实验结果表明,我们所提出的模型能够适用于不同的多标签分类任务中,如图像标注和鸟类分类,并且在不同的评估指标下获得了优异的性能。此外,多标签分类与传统的分类任务相比,它的标签空间要大得多。因此多标签样本的标注通常比单标签样本的标注更为昂贵和耗时。因此,我们有必要利用主动学习技术来解决这个问题。同样地,在本文中我们提出了三种适用于条件伯努利混合模型的主动学习算法。它利用最小置信度或近似熵或聚类熵来选择最具信息量的数据点。我们还通过动态规划提出了一种快速有效的近似熵计算方法。最后通过实验展示了该方法的优异性。