作为多义性数据的学习建模框架，多标记学习已成为机器学习领域一个新的研究热点。和传统的监督学习问题一样，数据样本中的随机性、模糊性和不一致性等多种不确定性因素也是多标记学习面临的主要困难。现有的多标记学习方法或者是通过问题转换方法“改造数据适应算法”，或者是通过算法适应方法“改造算法适应数据”，均是基于以统计学习为理论基础的学习算法。而统计学习理论关注的是数据的随机性，并不包含处理其他类型不确定性的理论机制。分析并处理多标记数据中存在的其他类型的不确定性，如模糊性和不一致性，目前在多标记学习中还鲜有涉及。　　粗糙集理论模拟人类对于客观世界认知的不完备性，用精确的数学工具刻画数据中存在的不一致性，被认为是一种客观地处理数据不一致性的数学工具。本文分析多标记数据中客观存在的不一致性，发展了面向多标记数据建模、分析与计算的粗糙集理论与算法。所获研究成果既丰富了多标记数据分析的技术手段，又丰富了粗糙集理论的数据适用范围，对数据挖掘和知识发现具有重要的理论意义和应用价值。主要研究成果包括:　　(1)在粗糙集框架下，深入分析了多标记数据的标记不确定性，提出了多标记粗糙算子，进而建立了多标记粗糙集模型;进一步研究了多标记粗糙算子的数学性质，从而揭示了其粒化近似的本质特征;并研究了多标记粗糙算子与经典粗糙算子的关系，证明了多标记粗糙算子是经典粗糙算子的泛化;此外考虑数据的噪音，建立了变精度多标记粗糙集模型。　　(2)定量分析了多标记粗糙集模型和变精度多标记粗糙集模型的标记近似粗糙性，提出了标记精度、标记粗糙度、标记质量、标记近似精度、标记近似质量、标记依赖度等多种不确定性度量;分析了包含度与提出的各种度量之间的关系，证明了多标记粗糙集数据分析的有关度量可归结为包含度。　　(3)基于多标记粗糙集模型的粒化近似机制，提出了保持标记不确定性不变的多标记属性约简方法，即互补决策约简;分析了互补决策约简和两种代表性属性约简之间的关系，从而揭示了互补决策约简在处理多标记数据方面的优势;提出了基于区分矩阵的互补决策约简的计算方法，进一步指明了互补决策约简的结构和原理。　　(4)基于多标记粗糙集模型的不确定性度量等价表示了互补决策约简，从而明确了计算互补决策约简的启发式信息;进一步设计了互补决策约简的启发式算法，并应用该算法对多标记数据进行特征选择;实验表明基于粗糙集理论的互补决策约简算法能够有效地删除冗余属性，提高多标记学习算法的性能。