多标签学习作为一种真实世界中多语义描述方式一直是机器学习的研究热点之一。随着研究的深入,越来越多的问题出现。随着样本数量和标签数量的增多,大多数多标签数据集会出现类不平衡的情况,某些标签会因为正类样本过少而产生训练不充分情况,从而影响分类精度。现有的改善不平衡的常用手段是是对样本进行重采样和过采样,但是这种方法计算量很大,内存消耗过多,并且样本特征信息丢失过多,会致使分类精度下降。基于此,本文针对多标签不平衡的问题进行了研究,具体工作如下:1)在多标签数据集中,标签空间包含有许多隐层信息,其中标签密度信息可以帮助算法有效的改善标签不平衡问题。基于此,本文提出了一种基于分类间隔增强的不平衡多标签学习算法（Imbalanced Multi-label Learning Algorithm Based on Classification Interval Enhanced,MLCIE）,首先深度挖掘标签密度信息,利用各这些信息与条件熵计算各标签的四种不确定性系数;然后构建密度标签矩阵,获取平衡的标签空间;最后使用极限学习机作为线性分类器进行分类。实验结果证明,该算法可以有效的缓解标签不平衡带来的分类错误。2)通过学习有效的标签相关性提升分类性能是解决该问题的一种最常见的有效策略,众多学者进行了大量研究,然而这些研究更多的是采用基于正相关性策略提升性能。实际问题中,除了正相关性外,标签的负相关性也可能存在,如果在考虑正相关性的同时,兼顾负相关性,无疑能够进一步改善分类器的性能。基于此,本文提出了一种基于负相关性增强的不平衡多标签学习算法,该算法首先利用标签密度信息改造标签空间;然后在密度标签空间中探究标签真实的正反相关性信息,并添加到分类器目标函数中;最后利用加速梯度下降法求解输出权重以得到预测结果。实验结果表明,该算法在兼顾正负两类相关性后,算法性能有了一定提高。3)考虑到上述研究中实验数据集都是在基准数据集上的,进一步地本文将研究此前工作在真实图像数据上的实验效果。基于此,本文设计了一种基于CNN模型的多标签自然场景图片识别应用,此方法对自然场景图片进行CNN算法特征提取后再用MLNCE算法进行分类,从而得到一个端到端的识别应用。实验结果表明,该方法对于自然场景图片的识别具有一定正确率。本文虽然研究了许多改善多标签不平衡的方法,伴随着研究深入,还有大量地多标签学习的问题没有考虑到,在后续的研究中会作为工作重点延伸下去。