随着科学技术的发展,样本的标签越来越多。这给经典的多标签学习模型带来了计算压力并降低了多标签学习的性能。研究学者受到特征空间降维的启发,提出了标签空间降维的思想。随着人工智能时代的来临,样本或任务不再只用一个视角进行简单的描述。在样本具有多个视角同时样本标签空间维度大的时候,现有的基于标签空间降维的多标签学习和多视角多标签学习的方法无法解决。在此基础上,本文提出了两种基于标签空间降维的多视角多标签学习的方法。本文的主要内容和动机点列举如下:本文首先提出了一种集成的多视角标签空间降维方法。该方法在对多视角的每个视角的特征空间分别计算出相应的预测标签空间基础上,利用每个视角的预测和真实标签空间之间存在的误差学习一系列用于衡量其与真实标签接近程度的权重。本文通过三个典型多标记图片数据集上的实验证明了提出的方法准确度高于通过投票方式集成结果以及选择最优的特征空间的结果这两类方法。在第一个工作的基础上,提出了完整的基于标签空间降维的多视角多标签学习算法。该算法在通过最大化标签空间、隐空间和特征空间之间的关系得到相应隐空间的基础上,采用了希尔伯特-施密特独立性准则平衡多视角之间的一致性和互补性,通过迭代更新使得隐空间彼此相关。在获得准确的隐空间之后,将每个视角的特征空间嵌入到相应的隐空间中并使用解码矩阵和投票的方式得到预测的结果。六个不同大小的多标记图片数据上的实验结果证明了提出的方法优于现有的基于标签空间降维策略的方法。